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

 

      未來十年，遙感是否可以深刻地影響社會發展，切實解決生(shēng)産生(shēng)活中(zhōng)的問題，兼具普适性和經濟價值，其關鍵點在于對遙感數據的解譯和應用。如果人工(gōng)智能技術與遙感的結合打開未來遙感行業應用大(dà)門，這将帶來怎樣的變革呢？

 

      傳統遙感解譯技術對精準快速的處理效果不理想，對精細化狀态分(fēn)析缺乏有效手段。最爲掣肘的是圖像解譯方法主要依賴人工(gōng)判讀和半自動化軟件解譯，這使得遙感應用無法從根本上脫離其勞動密集型的“傳統”。

 

      多源遙感數據量的激增、遙感數據分(fēn)析市場的巨大(dà)前景和傳統遙感技術的瓶頸三者之間的溝壑急需一(yī)種全新的高效、精準、便捷的技術手段來填平。

 

      遙感技術與人工(gōng)智能技術的結合，将人工(gōng)智能賦能遙感技術，貫穿海量多源異構數據從處理分(fēn)析到共享應用的全鏈路，在大(dà)幅縮短遙感圖像解譯周期、提高解譯精準度的同時催生(shēng)新的遙感應用領域，促進遙感技術應用的變革。

 

2019世界人工(gōng)智能大(dà)會期間

商(shāng)湯爲世博園區做的城市變化監測

 

  AI+遙感在部分(fēn)應用場景中(zhōng)面臨巨大(dà)挑戰

 

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

 

      其中(zhōng)較爲典型的例子，如商(shāng)湯科技在2019年WGDC上發布的SenseEarth智能遙感在線解譯平台和其背後作爲支撐的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%；适用于包括目标檢測、變化檢測、地表信息提取、土地利用類型分(fēn)類等多個遙感應用場景。

 

      然而，雖然現階段人工(gōng)智能與遙感技術的結合已經取得了一(yī)些進展，在部分(fēn)應用場景中(zhōng)利用深度學習技術解譯遙感影像的處理精度、效率和自動化程度都有較爲明顯的提升，我(wǒ)們卻不得不正視目前成果的局限性和未來發展所面對的巨大(dà)挑戰。

 

      首先，目前大(dà)部分(fēn)人工(gōng)智能遙感應用均采取監督學習的方法，利用此類技術對海量遙感數據進行智能解譯的基礎，是前置的對同樣海量特定解譯對象已标注樣本的訓練工(gōng)作；而遙感應用場景的豐富性，多樣性，甚至同一(yī)解譯對象在不同空間、時間維度下(xià)所展現出不同的特性，使數據樣本的複雜性呈幾何倍數的增長，導緻可以将大(dà)部分(fēn)遙感應用領域中(zhōng)正确标注的樣本集合成庫，從而訓練出有效解譯模型的可能性極低。

 

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

 

徐州市沛縣冬小(xiǎo)麥提取

 

      其次，遙感數據來源的多元異構化，不同遙感平台，不同載荷成像機理，不同的空間時間光譜分(fēn)辨率、精度、時效性等等都給遙感數據的一(yī)緻性處理帶來巨大(dà)的挑戰，如何利用多源異構數據構建“一(yī)張圖”式的應用場景，使得人工(gōng)智能技術可以便捷地解決海量異構數據時空信息提取分(fēn)析困難的問題将是破局遙感行業發展桎梏的重中(zhōng)之重。

 

建築物(wù)檢測

 

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

 

  人工(gōng)智能遙感的未來在哪裏

 

樣本積累

 

      鑒于現階段構建人工(gōng)智能遙感解譯深度學習算法模型對海量标注樣本的依賴，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(zhōng)遙感樣本關聯整合起來，互爲補充，同時利用數據仿真技術的發展，共同構建屬于大(dà)行業範疇的解譯模型庫也許是解決智能遙感技術發展中(zhōng)樣本不足的途徑之一(yī)。

 

      在SenseEarth智能遙感在線解譯平台的規劃中(zhōng)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(shēng)更多的交流與合作，以商(shāng)湯的前沿算法儲備和雄厚計算資源與全領域用戶手中(zhōng)的存量樣本數據産生(shēng)火(huǒ)花，共同擴展遙感樣本庫，訓練出更多更精準覆蓋全領域的解譯模型，以知(zhī)識共享的理念推動AI+遙感的發展進程。”

 

SenseEarth智能遙感影像解譯平台

用地分(fēn)類演示

 

無監督學習

 

      從另一(yī)個角度來看，目前深度學習的基礎是對大(dà)量被正确标注的結構化樣本數據的訓練，然而遙感數據大(dà)部分(fēn)是未經标注和整理的，這意味着這些數據對于大(dà)多數目前的監督式學習來說并不可用。

 

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

 

道路檢測

 

      無監督學習算法将會是解決遙感數據标注樣本稀缺的重要技術發展方向，與監督學習事先進行标注分(fēn)類截然不同的是，無監督學習可以很好的幫助我(wǒ)們根據類别未知(zhī)的無标注的訓練樣本，解決遙感數據解譯中(zhōng)的各種問題，使機器本身代替我(wǒ)們對影像數據集進行聚類和分(fēn)析。

 

      在面對海量遙感數據時，我(wǒ)們要處理的不再是進行結構化标注完善的各類樣本，而是遙感數據本身——無監督學習。

 

決策型的人工(gōng)智能解譯

 

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

 

      而以往的人工(gōng)智能遙感大(dà)多是對傳統數字圖像處理方法的遷移，甚至僅以統計學的理念來解決問題。決策型的智能技術将成爲未來的主流發展方向之一(yī)，這裏的“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帶決策功能，如人的學習和思維一(yī)樣，在分(fēn)析問題時，利用“經驗”自主的選擇判斷依據，對特定場景進行其包括專業性網絡模型的适配、異構實體網絡的自主構建、多多關聯關系的動态優化等。

 

飛機檢測

 

      未來，當我(wǒ)們對細分(fēn)目标對象建立了足夠多離散的智能解譯模型時，或許需要一(yī)種可以将數量龐大(dà)的模型庫總結歸納的方法，一(yī)個可以實現自我(wǒ)學習叠代、自我(wǒ)決策的系統。

 

      基于積累的模型設計經驗，可以進一(yī)步将模型模塊化，并建立一(yī)個模型搜索空間，通過增強學習，在搜索空間中(zhōng)尋找與自身問題更匹配的針對性模型，這個模型可以被理解成各種網絡的網絡、模型的模型，分(fēn)散到聚合，繁複到簡約，專業到大(dà)衆，将使得人工(gōng)智能遙感真正成爲可以被廣泛深度使用，解決現實複雜業務問題，進而開拓嶄新應用場景，産生(shēng)巨大(dà)經濟價值與社會效益的新型技術手段。

 

     本文轉載自商(shāng)湯科技SenseTime