任何颠覆性新技術由願景到(dào)成熟應用，從“思想火花”到(dào)“物質成品”都有一(yī / yì ／yí)個(gè)發展過程。遙感技術誕生于(yú)20世紀60年代，經過幾十年的(de)迅速發展，成爲(wéi / wèi)一(yī / yì ／yí)門實用、先進的(de)空間探測技術。

 

      未來(lái)十年，遙感是(shì)否可以(yǐ)深刻地(dì / de)影響社會發展，切實解決生産生活中的(de)問題，兼具普适性和(hé / huò)經濟價值，其關鍵點在(zài)于(yú)對遙感數據的(de)解譯和(hé / huò)應用。如果人(rén)工智能技術與遙感的(de)結合打開未來(lái)遙感行業應用大(dà)門，這(zhè)将帶來(lái)怎樣的(de)變革呢？

 

      傳統遙感解譯技術對精準快速的(de)處理效果不(bù)理想，對精細化狀态分析缺乏有效手段。最爲(wéi / wèi)掣肘的(de)是(shì)圖像解譯方法主要(yào / yāo)依賴人(rén)工判讀和(hé / huò)半自動化軟件解譯，這(zhè)使得遙感應用無法從根本上(shàng)脫離其勞動密集型的(de)“傳統”。

 

      多源遙感數據量的(de)激增、遙感數據分析市場的(de)巨大(dà)前景和(hé / huò)傳統遙感技術的(de)瓶頸三者之(zhī)間的(de)溝壑急需一(yī / yì ／yí)種全新的(de)高效、精準、便捷的(de)技術手段來(lái)填平。

 

      遙感技術與人(rén)工智能技術的(de)結合，将人(rén)工智能賦能遙感技術，貫穿海量多源異構數據從處理分析到(dào)共享應用的(de)全鏈路，在(zài)大(dà)幅縮短遙感圖像解譯周期、提高解譯精準度的(de)同時(shí)催生新的(de)遙感應用領域，促進遙感技術應用的(de)變革。

 

2019世界人(rén)工智能大(dà)會期間

商湯爲(wéi / wèi)世博園區做的(de)城市變化監測

 

  AI+遙感在(zài)部分應用場景中面臨巨大(dà)挑戰

 

      伴随着人(rén)工智能技術近年來(lái)的(de)蓬勃發展和(hé / huò)廣泛應用，遙感技術對新型解譯能力的(de)需求迫切，越來(lái)越多的(de)高科技公司和(hé / huò)科研院校已着手嘗試利用深度學習解決海量遙感影像的(de)解譯問題，并取得了(le／liǎo)一(yī / yì ／yí)些階段性進展，付諸于(yú)遙感行業應用上(shàng)。

 

      其中較爲(wéi / wèi)典型的(de)例子(zǐ)，如商湯科技在(zài)2019年WGDC上(shàng)發布的(de)SenseEarth智能遙感在(zài)線解譯平台和(hé / huò)其背後作爲(wéi / wèi)支撐的(de)SenseRemote智能遙感解譯系列産品，其像素級解譯分類精度超過 95%、目标檢測準确率優于(yú) 98%；适用于(yú)包括目标檢測、變化檢測、地(dì / de)表信息提取、土地(dì / de)利用類型分類等多個(gè)遙感應用場景。

 

      然而(ér)，雖然現階段人(rén)工智能與遙感技術的(de)結合已經取得了(le／liǎo)一(yī / yì ／yí)些進展，在(zài)部分應用場景中利用深度學習技術解譯遙感影像的(de)處理精度、效率和(hé / huò)自動化程度都有較爲(wéi / wèi)明顯的(de)提升，我們卻不(bù)得不(bù)正視目前成果的(de)局限性和(hé / huò)未來(lái)發展所面對的(de)巨大(dà)挑戰。

 

      首先，目前大(dà)部分人(rén)工智能遙感應用均采取監督學習的(de)方法，利用此類技術對海量遙感數據進行智能解譯的(de)基礎，是(shì)前置的(de)對同樣海量特定解譯對象已标注樣本的(de)訓練工作；而(ér)遙感應用場景的(de)豐富性，多樣性，甚至同一(yī / yì ／yí)解譯對象在(zài)不(bù)同空間、時(shí)間維度下所展現出(chū)不(bù)同的(de)特性，使數據樣本的(de)複雜性呈幾何倍數的(de)增長，導緻可以(yǐ)将大(dà)部分遙感應用領域中正确标注的(de)樣本集合成庫，從而(ér)訓練出(chū)有效解譯模型的(de)可能性極低。

 

      這(zhè)種複雜性使得基于(yú)監督學習方式，通過深度學習方法得到(dào)的(de)遙感智能解譯模型很難具備普适性和(hé / huò)複用性。

 

徐州市沛縣冬小麥提取

 

      其次，遙感數據來(lái)源的(de)多元異構化，不(bù)同遙感平台，不(bù)同載荷成像機理，不(bù)同的(de)空間時(shí)間光譜分辨率、精度、時(shí)效性等等都給遙感數據的(de)一(yī / yì ／yí)緻性處理帶來(lái)巨大(dà)的(de)挑戰，如何利用多源異構數據構建“一(yī / yì ／yí)張圖”式的(de)應用場景，使得人(rén)工智能技術可以(yǐ)便捷地(dì / de)解決海量異構數據時(shí)空信息提取分析困難的(de)問題将是(shì)破局遙感行業發展桎梏的(de)重中之(zhī)重。

 

建築物檢測

 

      第三，鑒于(yú)人(rén)工智能遙感技術發展的(de)綜合性，其發展不(bù)僅僅依賴遙感與人(rén)工智能自身的(de)技術叠代和(hé / huò)發展，計算機技術、神經科學等與之(zhī)相關聯各個(gè)領域的(de)技術與理論革新都會一(yī / yì ／yí)定程度上(shàng)影響着人(rén)工智能遙感行業的(de)前行速度，這(zhè)使得人(rén)工智能+遙感技術在(zài)産生廣泛的(de)經濟效益前，存在(zài)着漫長的(de)研發周期和(hé / huò)風險成本。

 

  人(rén)工智能遙感的(de)未來(lái)在(zài)哪裏

 

樣本積累

 

      鑒于(yú)現階段構建人(rén)工智能遙感解譯深度學習算法模型對海量标注樣本的(de)依賴，利用雲、區塊鏈等新興網絡共享技術，将散落在(zài)各個(gè)行業領域中遙感樣本關聯整合起來(lái)，互爲(wéi / wèi)補充，同時(shí)利用數據仿真技術的(de)發展，共同構建屬于(yú)大(dà)行業範疇的(de)解譯模型庫也(yě)許是(shì)解決智能遙感技術發展中樣本不(bù)足的(de)途徑之(zhī)一(yī / yì ／yí)。

 

      在(zài)SenseEarth智能遙感在(zài)線解譯平台的(de)規劃中提到(dào)，“在(zài)未來(lái)，一(yī / yì ／yí)個(gè)輕量級在(zài)線樣本訓練平台系統将搭載上(shàng)線，希望借此與用戶将産生更多的(de)交流與合作，以(yǐ)商湯的(de)前沿算法儲備和(hé / huò)雄厚計算資源與全領域用戶手中的(de)存量樣本數據産生火花，共同擴展遙感樣本庫，訓練出(chū)更多更精準覆蓋全領域的(de)解譯模型，以(yǐ)知識共享的(de)理念推動AI+遙感的(de)發展進程。”

 

SenseEarth智能遙感影像解譯平台

用地(dì / de)分類演示

 

無監督學習

 

      從另一(yī / yì ／yí)個(gè)角度來(lái)看，目前深度學習的(de)基礎是(shì)對大(dà)量被正确标注的(de)結構化樣本數據的(de)訓練，然而(ér)遙感數據大(dà)部分是(shì)未經标注和(hé / huò)整理的(de)，這(zhè)意味着這(zhè)些數據對于(yú)大(dà)多數目前的(de)監督式學習來(lái)說(shuō)并不(bù)可用。

 

      标注樣本集或許過小、或許标注存在(zài)偏差，在(zài)訓練一(yī / yì ／yí)個(gè)複雜的(de)遙感解譯模型時(shí)，由于(yú)大(dà)量可學習參數與訓練樣本強關聯，使用小數據集可能會導緻過度拟合，最終我們得到(dào)的(de)可能是(shì)一(yī / yì ／yí)個(gè)僅适用于(yú)這(zhè)些訓練樣本的(de)模型，而(ér)不(bù)是(shì)從數據中學習一(yī / yì ／yí)般概念的(de)模型。

 

道(dào)路檢測

 

      無監督學習算法将會是(shì)解決遙感數據标注樣本稀缺的(de)重要(yào / yāo)技術發展方向，與監督學習事先進行标注分類截然不(bù)同的(de)是(shì)，無監督學習可以(yǐ)很好的(de)幫助我們根據類别未知的(de)無标注的(de)訓練樣本，解決遙感數據解譯中的(de)各種問題，使機器本身代替我們對影像數據集進行聚類和(hé / huò)分析。

 

      在(zài)面對海量遙感數據時(shí)，我們要(yào / yāo)處理的(de)不(bù)再是(shì)進行結構化标注完善的(de)各類樣本，而(ér)是(shì)遙感數據本身——無監督學習。

 

決策型的(de)人(rén)工智能解譯

 

      在(zài)實際業務場景中，我們需要(yào / yāo)給出(chū)的(de)往往是(shì)一(yī / yì ／yí)個(gè)綜合性解決方案，這(zhè)意味着解譯模型的(de)建立必須基于(yú)多源異構遙感數據，以(yǐ)多類别針對性的(de)分析方法共同得出(chū)結論。

 

      而(ér)以(yǐ)往的(de)人(rén)工智能遙感大(dà)多是(shì)對傳統數字圖像處理方法的(de)遷移，甚至僅以(yǐ)統計學的(de)理念來(lái)解決問題。決策型的(de)智能技術将成爲(wéi / wèi)未來(lái)的(de)主流發展方向之(zhī)一(yī / yì ／yí)，這(zhè)裏的(de)“決策”并不(bù)僅是(shì)利用成果幫助用戶進行判斷，而(ér)是(shì)在(zài)智能解譯數據時(shí)讓系統自帶決策功能，如人(rén)的(de)學習和(hé / huò)思維一(yī / yì ／yí)樣，在(zài)分析問題時(shí)，利用“經驗”自主的(de)選擇判斷依據，對特定場景進行其包括專業性網絡模型的(de)适配、異構實體網絡的(de)自主構建、多多關聯關系的(de)動态優化等。

 

飛機檢測

 

      未來(lái)，當我們對細分目标對象建立了(le／liǎo)足夠多離散的(de)智能解譯模型時(shí)，或許需要(yào / yāo)一(yī / yì ／yí)種可以(yǐ)将數量龐大(dà)的(de)模型庫總結歸納的(de)方法，一(yī / yì ／yí)個(gè)可以(yǐ)實現自我學習叠代、自我決策的(de)系統。

 

      基于(yú)積累的(de)模型設計經驗，可以(yǐ)進一(yī / yì ／yí)步将模型模塊化，并建立一(yī / yì ／yí)個(gè)模型搜索空間，通過增強學習，在(zài)搜索空間中尋找與自身問題更匹配的(de)針對性模型，這(zhè)個(gè)模型可以(yǐ)被理解成各種網絡的(de)網絡、模型的(de)模型，分散到(dào)聚合，繁複到(dào)簡約，專業到(dào)大(dà)衆，将使得人(rén)工智能遙感真正成爲(wéi / wèi)可以(yǐ)被廣泛深度使用，解決現實複雜業務問題，進而(ér)開拓嶄新應用場景，産生巨大(dà)經濟價值與社會效益的(de)新型技術手段。

 

     本文轉載自商湯科技SenseTime