任何颠覆性新(xīn)技(jì )術由願景到成熟應用(yòng)，從“思想火花(huā)”到“物(wù)質(zhì)成品”都有(yǒu)一個發展過程。遙感技(jì )術誕生于20世紀60年代，經過幾十年的迅速發展，成為(wèi)一門實用(yòng)、先進的空間探測技(jì )術。

 

      未來十年，遙感是否可(kě)以深刻地影響社會發展，切實解決生産(chǎn)生活中(zhōng)的問題，兼具(jù)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(yòng)。如果人工(gōng)智能(néng)技(jì )術與遙感的結合打開未來遙感行業應用(yòng)大門，這将帶來怎樣的變革呢(ne)？

 

      傳統遙感解譯技(jì )術對精(jīng)準快速的處理(lǐ)效果不理(lǐ)想，對精(jīng)細化狀态分(fēn)析缺乏有(yǒu)效手段。最為(wèi)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(yòng)無法從根本上脫離其勞動密集型的“傳統”。

 

      多(duō)源遙感數據量的激增、遙感數據分(fēn)析市場的巨大前景和傳統遙感技(jì )術的瓶頸三者之間的溝壑急需一種全新(xīn)的高效、精(jīng)準、便捷的技(jì )術手段來填平。

 

      遙感技(jì )術與人工(gōng)智能(néng)技(jì )術的結合，将人工(gōng)智能(néng)賦能(néng)遙感技(jì )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)的全鏈路，在大幅縮短遙感圖像解譯周期、提高解譯精(jīng)準度的同時催生新(xīn)的遙感應用(yòng)領域，促進遙感技(jì )術應用(yòng)的變革。

 

2019世界人工(gōng)智能(néng)大會期間

商(shāng)湯為(wèi)世博園區(qū)做的城市變化監測

 

  AI+遙感在部分(fēn)應用(yòng)場景中(zhōng)面臨巨大挑戰

 

      伴随着人工(gōng)智能(néng)技(jì )術近年來的蓬勃發展和廣泛應用(yòng)，遙感技(jì )術對新(xīn)型解譯能(néng)力的需求迫切，越來越多(duō)的高科(kē)技(jì )公(gōng)司和科(kē)研院校已着手嘗試利用(yòng)深度學(xué)習解決海量遙感影像的解譯問題，并取得了一些階段性進展，付諸于遙感行業應用(yòng)上。

 

      其中(zhōng)較為(wèi)典型的例子，如商(shāng)湯科(kē)技(jì )在2019年WGDC上發布的SenseEarth智能(néng)遙感在線(xiàn)解譯平台和其背後作(zuò)為(wèi)支撐的SenseRemote智能(néng)遙感解譯系列産(chǎn)品，其像素級解譯分(fēn)類精(jīng)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，雖然現階段人工(gōng)智能(néng)與遙感技(jì )術的結合已經取得了一些進展，在部分(fēn)應用(yòng)場景中(zhōng)利用(yòng)深度學(xué)習技(jì )術解譯遙感影像的處理(lǐ)精(jīng)度、效率和自動化程度都有(yǒu)較為(wèi)明顯的提升，我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挑戰。

 

      首先，目前大部分(fēn)人工(gōng)智能(néng)遙感應用(yòng)均采取監督學(xué)習的方法，利用(yòng)此類技(jì )術對海量遙感數據進行智能(néng)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(zuò)；而遙感應用(yòng)場景的豐富性，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(cháng)，導緻可(kě)以将大部分(fēn)遙感應用(yòng)領域中(zhōng)正确标注的樣本集合成庫，從而訓練出有(yǒu)效解譯模型的可(kě)能(néng)性極低。

 

      這種複雜性使得基于監督學(xué)習方式，通過深度學(xué)習方法得到的遙感智能(néng)解譯模型很(hěn)難具(jù)備普适性和複用(yòng)性。

 

徐州市沛縣冬小(xiǎo)麥提取

 

      其次，遙感數據來源的多(duō)元異構化，不同遙感平台，不同載荷成像機理(lǐ)，不同的空間時間光譜分(fēn)辨率、精(jīng)度、時效性等等都給遙感數據的一緻性處理(lǐ)帶來巨大的挑戰，如何利用(yòng)多(duō)源異構數據構建“一張圖”式的應用(yòng)場景，使得人工(gōng)智能(néng)技(jì )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(néng)遙感技(jì )術發展的綜合性，其發展不僅僅依賴遙感與人工(gōng)智能(néng)自身的技(jì )術叠代和發展，計算機技(jì )術、神經科(kē)學(xué)等與之相關聯各個領域的技(jì )術與理(lǐ)論革新(xīn)都會一定程度上影響着人工(gōng)智能(néng)遙感行業的前行速度，這使得人工(gōng)智能(néng)+遙感技(jì )術在産(chǎn)生廣泛的經濟效益前，存在着漫長(cháng)的研發周期和風險成本。

 

  人工(gōng)智能(néng)遙感的未來在哪裏

 

樣本積累

 

      鑒于現階段構建人工(gōng)智能(néng)遙感解譯深度學(xué)習算法模型對海量标注樣本的依賴，利用(yòng)雲、區(qū)塊鏈等新(xīn)興網絡共享技(jì )術，将散落在各個行業領域中(zhōng)遙感樣本關聯整合起來，互為(wèi)補充，同時利用(yòng)數據仿真技(jì )術的發展，共同構建屬于大行業範疇的解譯模型庫也許是解決智能(néng)遙感技(jì )術發展中(zhōng)樣本不足的途徑之一。

 

      在SenseEarth智能(néng)遙感在線(xiàn)解譯平台的規劃中(zhōng)提到，“在未來，一個輕量級在線(xiàn)樣本訓練平台系統将搭載上線(xiàn)，希望借此與用(yòng)戶将産(chǎn)生更多(duō)的交流與合作(zuò)，以商(shāng)湯的前沿算法儲備和雄厚計算資源與全領域用(yòng)戶手中(zhōng)的存量樣本數據産(chǎn)生火花(huā)，共同擴展遙感樣本庫，訓練出更多(duō)更精(jīng)準覆蓋全領域的解譯模型，以知識共享的理(lǐ)念推動AI+遙感的發展進程。”

 

SenseEarth智能(néng)遙感影像解譯平台

用(yòng)地分(fēn)類演示

 

無監督學(xué)習

 

      從另一個角度來看，目前深度學(xué)習的基礎是對大量被正确标注的結構化樣本數據的訓練，然而遙感數據大部分(fēn)是未經标注和整理(lǐ)的，這意味着這些數據對于大多(duō)數目前的監督式學(xué)習來說并不可(kě)用(yòng)。

 

      标注樣本集或許過小(xiǎo)、或許标注存在偏差，在訓練一個複雜的遙感解譯模型時，由于大量可(kě)學(xué)習參數與訓練樣本強關聯，使用(yòng)小(xiǎo)數據集可(kě)能(néng)會導緻過度拟合，最終我們得到的可(kě)能(néng)是一個僅适用(yòng)于這些訓練樣本的模型，而不是從數據中(zhōng)學(xué)習一般概念的模型。

 

道路檢測

 

      無監督學(xué)習算法将會是解決遙感數據标注樣本稀缺的重要技(jì )術發展方向，與監督學(xué)習事先進行标注分(fēn)類截然不同的是，無監督學(xué)習可(kě)以很(hěn)好的幫助我們根據類别未知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，我們要處理(lǐ)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(xué)習。

 

決策型的人工(gōng)智能(néng)解譯

 

      在實際業務(wù)場景中(zhōng)，我們需要給出的往往是一個綜合性解決方案，這意味着解譯模型的建立必須基于多(duō)源異構遙感數據，以多(duō)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(néng)遙感大多(duō)是對傳統數字圖像處理(lǐ)方法的遷移，甚至僅以統計學(xué)的理(lǐ)念來解決問題。決策型的智能(néng)技(jì )術将成為(wèi)未來的主流發展方向之一，這裏的“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(néng)解譯數據時讓系統自帶決策功能(néng)，如人的學(xué)習和思維一樣，在分(fēn)析問題時，利用(yòng)“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(tǐ)網絡的自主構建、多(duō)多(duō)關聯關系的動态優化等。

 

飛機檢測

 

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

 

      基于積累的模型設計經驗，可(kě)以進一步将模型模塊化，并建立一個模型搜索空間，通過增強學(xué)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(kě)以被理(lǐ)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，專業到大衆，将使得人工(gōng)智能(néng)遙感真正成為(wèi)可(kě)以被廣泛深度使用(yòng)，解決現實複雜業務(wù)問題，進而開拓嶄新(xīn)應用(yòng)場景，産(chǎn)生巨大經濟價值與社會效益的新(xīn)型技(jì )術手段。

 

     本文(wén)轉載自商(shāng)湯科(kē)技(jì )SenseTime