任何颠覆性新技術由願景到成熟應用(yòng)，從“思想火花”到“物(wù)質成品”都有一個發展過程。遙感技術誕生于20世紀60年代，經過幾十年的(de)迅速發展，成爲一門實用(yòng)、先進的(de)空間探測技術。

 

      未來十年，遙感是否可(kě)以深刻地影(yǐng)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(yòng)。如果人(rén)工智能技術與遙感的(de)結合打開未來遙感行業應用(yòng)大(dà)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(kuài)速的(de)處理(lǐ)效果不理(lǐ)想，對精細化(huà)狀态分(fēn)析缺乏有效手段。最爲掣肘的(de)是圖像解譯方法主要依賴人(rén)工判讀和(hé)半自動化(huà)軟件解譯，這使得(de)遙感應用(yòng)無法從根本上脫離其勞動密集型的(de)“傳統”。

 

      多(duō)源遙感數據量的(de)激增、遙感數據分(fēn)析市場的(de)巨大(dà)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(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(duō)源異構數據從處理(lǐ)分(fēn)析到共享應用(yòng)的(de)全鏈路，在大(dà)幅縮短遙感圖像解譯周期、提高(gāo)解譯精準度的(de)同時催生新的(de)遙感應用(yòng)領域，促進遙感技術應用(yòng)的(de)變革。

 

2019世界人(rén)工智能大(dà)會期間

商湯爲世博園區做(zuò)的(de)城(chéng)市變化(huà)監測

 

  AI+遙感在部分(fēn)應用(yòng)場景中面臨巨大(dà)挑戰

 

      伴随著(zhe)人(rén)工智能技術近年來的(de)蓬勃發展和(hé)廣泛應用(yòng)，遙感技術對新型解譯能力的(de)需求迫切，越來越多(duō)的(de)高(gāo)科技公司和(hé)科研院校已著(zhe)手嘗試利用(yòng)深度學習解決海量遙感影(yǐng)像的(de)解譯問題，并取得(de)了(le)一些階段性進展，付諸于遙感行業應用(yòng)上。

 

      其中較爲典型的(de)例子，如商湯科技在2019年WGDC上發布的(de)SenseEarth智能遙感在線解譯平台和(hé)其背後作爲支撐的(de)SenseRemote智能遙感解譯系列産品，其像素級解譯分(fēn)類精度超過 95%、目标檢測準确率優于 98%；适用(yòng)于包括目标檢測、變化(huà)檢測、地表信息提取、土地利用(yòng)類型分(fēn)類等多(duō)個遙感應用(yòng)場景。

 

      然而，雖然現階段人(rén)工智能與遙感技術的(de)結合已經取得(de)了(le)一些進展，在部分(fēn)應用(yòng)場景中利用(yòng)深度學習技術解譯遙感影(yǐng)像的(de)處理(lǐ)精度、效率和(hé)自動化(huà)程度都有較爲明(míng)顯的(de)提升，我們卻不得(de)不正視目前成果的(de)局限性和(hé)未來發展所面對的(de)巨大(dà)挑戰。

 

      首先，目前大(dà)部分(fēn)人(rén)工智能遙感應用(yòng)均采取監督學習的(de)方法，利用(yòng)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(yòng)場景的(de)豐富性，多(duō)樣性，甚至同一解譯對象在不同空間、時間維度下(xià)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，導緻可(kě)以将大(dà)部分(fēn)遙感應用(yòng)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。

 

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

 

徐州市沛縣冬小麥提取

 

      其次，遙感數據來源的(de)多(duō)元異構化(huà)，不同遙感平台，不同載荷成像機理(lǐ)，不同的(de)空間時間光(guāng)譜分(fēn)辨率、精度、時效性等等都給遙感數據的(de)一緻性處理(lǐ)帶來巨大(dà)的(de)挑戰，如何利用(yòng)多(duō)源異構數據構建“一張圖”式的(de)應用(yòng)場景，使得(de)人(rén)工智能技術可(kě)以便捷地解決海量異構數據時空信息提取分(fēn)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(wù)檢測

 

      第三，鑒于人(rén)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(rén)工智能自身的(de)技術叠代和(hé)發展，計算(suàn)機技術、神經科學等與之相關聯各個領域的(de)技術與理(lǐ)論革新都會一定程度上影(yǐng)響著(zhe)人(rén)工智能遙感行業的(de)前行速度，這使得(de)人(rén)工智能+遙感技術在産生廣泛的(de)經濟效益前，存在著(zhe)漫長的(de)研發周期和(hé)風險成本。

 

  人(rén)工智能遙感的(de)未來在哪裏

 

樣本積累

 

      鑒于現階段構建人(rén)工智能遙感解譯深度學習算(suàn)法模型對海量标注樣本的(de)依賴，利用(yòng)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，互爲補充，同時利用(yòng)數據仿真技術的(de)發展，共同構建屬于大(dà)行業範疇的(de)解譯模型庫也(yě)許是解決智能遙感技術發展中樣本不足的(de)途徑之一。

 

      在SenseEarth智能遙感在線解譯平台的(de)規劃中提到，“在未來，一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(yòng)戶将産生更多(duō)的(de)交流與合作，以商湯的(de)前沿算(suàn)法儲備和(hé)雄厚計算(suàn)資源與全領域用(yòng)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(duō)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(yǐng)像解譯平台

用(yòng)地分(fēn)類演示

 

無監督學習

 

      從另一個角度來看，目前深度學習的(de)基礎是對大(dà)量被正确标注的(de)結構化(huà)樣本數據的(de)訓練，然而遙感數據大(dà)部分(fēn)是未經标注和(hé)整理(lǐ)的(de)，這意味著(zhe)這些數據對于大(dà)多(duō)數目前的(de)監督式學習來說并不可(kě)用(yòng)。

 

      标注樣本集或許過小、或許标注存在偏差，在訓練一個複雜的(de)遙感解譯模型時，由于大(dà)量可(kě)學習參數與訓練樣本強關聯，使用(yòng)小數據集可(kě)能會導緻過度拟合，最終我們得(de)到的(de)可(kě)能是一個僅适用(yòng)于這些訓練樣本的(de)模型，而不是從數據中學習一般概念的(de)模型。

 

道路檢測

 

      無監督學習算(suàn)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，與監督學習事先進行标注分(fēn)類截然不同的(de)是，無監督學習可(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(yǐng)像數據集進行聚類和(hé)分(fēn)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(huà)标注完善的(de)各類樣本，而是遙感數據本身——無監督學習。

 

決策型的(de)人(rén)工智能解譯

 

      在實際業務場景中，我們需要給出的(de)往往是一個綜合性解決方案，這意味著(zhe)解譯模型的(de)建立必須基于多(duō)源異構遙感數據，以多(duō)類别針對性的(de)分(fēn)析方法共同得(de)出結論。

 

      而以往的(de)人(rén)工智能遙感大(dà)多(duō)是對傳統數字圖像處理(lǐ)方法的(de)遷移，甚至僅以統計學的(de)理(lǐ)念來解決問題。決策型的(de)智能技術将成爲未來的(de)主流發展方向之一，這裏的(de)“決策”并不僅是利用(yòng)成果幫助用(yòng)戶進行判斷，而是在智能解譯數據時讓系統自帶決策功能，如人(rén)的(de)學習和(hé)思維一樣，在分(fēn)析問題時，利用(yòng)“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(duō)多(duō)關聯關系的(de)動态優化(huà)等。

 

飛機檢測

 

      未來，當我們對細分(fēn)目标對象建立了(le)足夠多(duō)離散的(de)智能解譯模型時，或許需要一種可(kě)以将數量龐大(dà)的(de)模型庫總結歸納的(de)方法，一個可(kě)以實現自我學習叠代、自我決策的(de)系統。

 

      基于積累的(de)模型設計經驗，可(kě)以進一步将模型模塊化(huà)，并建立一個模型搜索空間，通(tōng)過增強學習，在搜索空間中尋找與自身問題更匹配的(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(fēn)散到聚合，繁複到簡約，專業到大(dà)衆，将使得(de)人(rén)工智能遙感真正成爲可(kě)以被廣泛深度使用(yòng)，解決現實複雜業務問題，進而開拓嶄新應用(yòng)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