任何颠覆性新技術由願景到成熟應用，從“思想火花”到“物質成品”都有一(yī)個發展過程。遙感技術誕生于20世紀60年(nián)代，經過幾十年(nián)的(de)迅速發展，成為(wèi)一(yī)門實用、先進的(de)空間探測技術。

 

      未來十年(nián)，遙感是否可(kě)以深刻地(dì)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)經濟價值，其關鍵點在于對遙感數據的(de)解譯和(hé)應用。如(rú)果人工智能技術與遙感的(de)結合打開未來遙感行業應用大門，這将帶來怎樣的(de)變革呢(ne)？

 

      傳統遙感解譯技術對精準快速的(de)處理(lǐ)效果不理(lǐ)想，對精細化狀态分析缺乏有效手段。最為(wèi)掣肘的(de)是圖像解譯方法主要依賴人工判讀和(hé)半自(zì)動化軟件解譯，這使得遙感應用無法從根本上脫離(lí)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)巨大前景和(hé)傳統遙感技術的(de)瓶頸三者之間的(de)溝壑急需一(yī)種全新的(de)高(gāo)效、精準、便捷的(de)技術手段來填平。

 

      遙感技術與人工智能技術的(de)結合，将人工智能賦能遙感技術，貫穿海量多源異構數據從處理(lǐ)分析到共享應用的(de)全鏈路，在大幅縮短(duǎn)遙感圖像解譯周期、提高(gāo)解譯精準度的(de)同時催生新的(de)遙感應用領域，促進遙感技術應用的(de)變革。

 

2019世界人工智能大會期間

商湯為(wèi)世博園區做(zuò)的(de)城市變化監測

 

  AI+遙感在部分應用場景中面臨巨大挑戰

 

      伴随着人工智能技術近年(nián)來的(de)蓬勃發展和(hé)廣泛應用，遙感技術對新型解譯能力的(de)需求迫切，越來越多的(de)高(gāo)科技公司和(hé)科研院校已着手嘗試利用深度學(xué)習解決海量遙感影像的(de)解譯問題，并取得了一(yī)些階段性進展，付諸于遙感行業應用上。

 

      其中較為(wèi)典型的(de)例子(zǐ)，如(rú)商湯科技在2019年(nián)WGDC上發布的(de)SenseEarth智能遙感在線解譯平台和(hé)其背後作為(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 98%；适用于包括目标檢測、變化檢測、地(dì)表信息提取、土地(dì)利用類型分類等多個遙感應用場景。

 

      然而，雖然現階段人工智能與遙感技術的(de)結合已經取得了一(yī)些進展，在部分應用場景中利用深度學(xué)習技術解譯遙感影像的(de)處理(lǐ)精度、效率和(hé)自(zì)動化程度都有較為(wèi)明顯的(de)提升，我們卻不得不正視(shì)目前成果的(de)局限性和(hé)未來發展所面對的(de)巨大挑戰。

 

      首先，目前大部分人工智能遙感應用均采取監督學(xué)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；而遙感應用場景的(de)豐富性，多樣性，甚至同一(yī)解譯對象在不同空間、時間維度下所展現出不同的(de)特性，使數據樣本的(de)複雜性呈幾何倍數的(de)增長(cháng)，導緻可(kě)以将大部分遙感應用領域中正确标注的(de)樣本集合成庫，從而訓練出有效解譯模型的(de)可(kě)能性極低(dī)。

 

      這種複雜性使得基于監督學(xué)習方式，通過深度學(xué)習方法得到的(de)遙感智能解譯模型很難具備普适性和(hé)複用性。

 

徐州市沛縣冬小麥提取

 

      其次，遙感數據來源的(de)多元異構化，不同遙感平台，不同載荷成像機理(lǐ)，不同的(de)空間時間光譜分辨率、精度、時效性等等都給遙感數據的(de)一(yī)緻性處理(lǐ)帶來巨大的(de)挑戰，如(rú)何利用多源異構數據構建“一(yī)張圖”式的(de)應用場景，使得人工智能技術可(kě)以便捷地(dì)解決海量異構數據時空信息提取分析困難的(de)問題将是破局遙感行業發展桎梏的(de)重中之重。

 

建築物檢測

 

      第三，鑒于人工智能遙感技術發展的(de)綜合性，其發展不僅僅依賴遙感與人工智能自(zì)身的(de)技術叠代和(hé)發展，計算機技術、神經科學(xué)等與之相關聯各個領域的(de)技術與理(lǐ)論革新都會一(yī)定程度上影響着人工智能遙感行業的(de)前行速度，這使得人工智能+遙感技術在産生廣泛的(de)經濟效益前，存在着漫長(cháng)的(de)研發周期和(hé)風險成本。

 

  人工智能遙感的(de)未來在哪裏

 

樣本積累

 

      鑒于現階段構建人工智能遙感解譯深度學(xué)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，将散落在各個行業領域中遙感樣本關聯整合起來，互為(wèi)補充，同時利用數據仿真技術的(de)發展，共同構建屬于大行業範疇的(de)解譯模型庫也許是解決智能遙感技術發展中樣本不足的(de)途徑之一(yī)。

 

      在SenseEarth智能遙感在線解譯平台的(de)規劃中提到，“在未來，一(yī)個輕量級在線樣本訓練平台系統将搭載上線，希望借此與用戶将産生更多的(de)交流與合作，以商湯的(de)前沿算法儲備和(hé)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，訓練出更多更精準覆蓋全領域的(de)解譯模型，以知識共享的(de)理(lǐ)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)分類演示

 

無監督學(xué)習

 

      從另一(yī)個角度來看，目前深度學(xué)習的(de)基礎是對大量被正确标注的(de)結構化樣本數據的(de)訓練，然而遙感數據大部分是未經标注和(hé)整理(lǐ)的(de)，這意味着這些數據對于大多數目前的(de)監督式學(xué)習來說并不可(kě)用。

 

      标注樣本集或許過小、或許标注存在偏差，在訓練一(yī)個複雜的(de)遙感解譯模型時，由于大量可(kě)學(xué)習參數與訓練樣本強關聯，使用小數據集可(kě)能會導緻過度拟合，最終我們得到的(de)可(kě)能是一(yī)個僅适用于這些訓練樣本的(de)模型，而不是從數據中學(xué)習一(yī)般概念的(de)模型。

 

道(dào)路檢測

 

      無監督學(xué)習算法将會是解決遙感數據标注樣本稀缺的(de)重要技術發展方向，與監督學(xué)習事先進行标注分類截然不同的(de)是，無監督學(xué)習可(kě)以很好的(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)分析。

 

      在面對海量遙感數據時，我們要處理(lǐ)的(de)不再是進行結構化标注完善的(de)各類樣本，而是遙感數據本身——無監督學(xué)習。

 

決策型的(de)人工智能解譯

 

      在實際業務場景中，我們需要給出的(de)往往是一(yī)個綜合性解決方案，這意味着解譯模型的(de)建立必須基于多源異構遙感數據，以多類别針對性的(de)分析方法共同得出結論。

 

      而以往的(de)人工智能遙感大多是對傳統數字圖像處理(lǐ)方法的(de)遷移，甚至僅以統計學(xué)的(de)理(lǐ)念來解決問題。決策型的(de)智能技術将成為(wèi)未來的(de)主流發展方向之一(yī)，這裏的(de)“決策”并不僅是利用成果幫助用戶進行判斷，而是在智能解譯數據時讓系統自(zì)帶決策功能，如(rú)人的(de)學(xué)習和(hé)思維一(yī)樣，在分析問題時，利用“經驗”自(zì)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(zì)主構建、多多關聯關系的(de)動态優化等。

 

飛(fēi)機檢測

 

      未來，當我們對細分目标對象建立了足夠多離(lí)散的(de)智能解譯模型時，或許需要一(yī)種可(kě)以将數量龐大的(de)模型庫總結歸納的(de)方法，一(yī)個可(kě)以實現自(zì)我學(xué)習叠代、自(zì)我決策的(de)系統。

 

      基于積累的(de)模型設計經驗，可(kě)以進一(yī)步将模型模塊化，并建立一(yī)個模型搜索空間，通過增強學(xué)習，在搜索空間中尋找與自(zì)身問題更匹配的(de)針對性模型，這個模型可(kě)以被理(lǐ)解成各種網絡的(de)網絡、模型的(de)模型，分散到聚合，繁複到簡約，專業到大衆，将使得人工智能遙感真正成為(wèi)可(kě)以被廣泛深度使用，解決現實複雜業務問題，進而開拓嶄新應用場景，産生巨大經濟價值與社會效益的(de)新型技術手段。

 

     本文轉載自(zì)商湯科技SenseTime