大地资源高清在线视频,大地二资源在线高清国语版,大地第二资源在线播放免费观看,大地资源高清播放在线观看免费,大地资源中文在线观看官网免费,大地电影影院在线播放

      任何顛覆性新技術由愿景到成熟應用，從“思想火花”到“物質成品”都有一個發展過程。遙感技術誕生于20世紀60年代，經過幾十年的迅速發展，成為一門實用、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，切實解決生產生活中的問題，兼具普適性和經濟價值，其關鍵點在于對遙感數據的解譯和應用。如果人工智能技術與遙感的結合打開未來遙感行業應用大門，這將帶來怎樣的變革呢？

 

      傳統遙感解譯技術對精準快速的處理效果不理想，對精細化狀態分析缺乏有效手段。最為掣肘的是圖像解譯方法主要依賴人工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、遙感數據分析市場的巨大前景和傳統遙感技術的瓶頸三者之間的溝壑急需一種全新的高效、精準、便捷的技術手段來填平。

 

      遙感技術與人工智能技術的結合，將人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共享應用的全鏈路，在大幅縮短遙感圖像解譯周期、提高解譯精準度的同時催生新的遙感應用領域，促進遙感技術應用的變革。

 

2019世界人工智能大會期間

商湯為世博園區做的城市變化監測

 

  AI+遙感在部分應用場景中面臨巨大挑戰

 

      伴隨著人工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著手嘗試利用深度學習解決海量遙感影像的解譯問題，并取得了一些階段性進展，付諸于遙感行業應用上。

 

      其中較為典型的例子，如商湯科技在2019年WGDC上發布的SenseEarth智能遙感在線解譯平臺和其背后作為支撐的SenseRemote智能遙感解譯系列產品，其像素級解譯分類精度超過 95%、目標檢測準確率優于 98%；適用于包括目標檢測、變化檢測、地表信息提取、土地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結合已經取得了一些進展，在部分應用場景中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為明顯的提升，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，目前大部分人工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標注樣本的訓練工作；而遙感應用場景的豐富性，多樣性，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，使數據樣本的復雜性呈幾何倍數的增長，導致可以將大部分遙感應用領域中正確標注的樣本集合成庫，從而訓練出有效解譯模型的可能性極低。

 

      這種復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適性和復用性。

 

徐州市沛縣冬小麥提取

 

      其次，遙感數據來源的多元異構化，不同遙感平臺，不同載荷成像機理，不同的空間時間光譜分辨率、精度、時效性等等都給遙感數據的一致性處理帶來巨大的挑戰，如何利用多源異構數據構建“一張圖”式的應用場景，使得人工智能技術可以便捷地解決海量異構數據時空信息提取分析困難的問題將是破局遙感行業發展桎梏的重中之重。

 

建筑物檢測

 

      第三，鑒于人工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智能自身的技術迭代和發展，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定程度上影響著人工智能遙感行業的前行速度，這使得人工智能+遙感技術在產生廣泛的經濟效益前，存在著漫長的研發周期和風險成本。

 

  人工智能遙感的未來在哪里

 

樣本積累

 

      鑒于現階段構建人工智能遙感解譯深度學習算法模型對海量標注樣本的依賴，利用云、區塊鏈等新興網絡共享技術，將散落在各個行業領域中遙感樣本關聯整合起來，互為補充，同時利用數據仿真技術的發展，共同構建屬于大行業范疇的解譯模型庫也許是解決智能遙感技術發展中樣本不足的途徑之一。

 

      在SenseEarth智能遙感在線解譯平臺的規劃中提到，“在未來，一個輕量級在線樣本訓練平臺系統將搭載上線，希望借此與用戶將產生更多的交流與合作，以商湯的前沿算法儲備和雄厚計算資源與全領域用戶手中的存量樣本數據產生火花，共同擴展遙感樣本庫，訓練出更多更精準覆蓋全領域的解譯模型，以知識共享的理念推動AI+遙感的發展進程?！?/span>

 

SenseEarth智能遙感影像解譯平臺

用地分類演示

 

無監督學習

 

      從另一個角度來看，目前深度學習的基礎是對大量被正確標注的結構化樣本數據的訓練，然而遙感數據大部分是未經標注和整理的，這意味著這些數據對于大多數目前的監督式學習來說并不可用。

 

      標注樣本集或許過小、或許標注存在偏差，在訓練一個復雜的遙感解譯模型時，由于大量可學習參數與訓練樣本強關聯，使用小數據集可能會導致過度擬合，最終我們得到的可能是一個僅適用于這些訓練樣本的模型，而不是從數據中學習一般概念的模型。

 

道路檢測

 

      無監督學習算法將會是解決遙感數據標注樣本稀缺的重要技術發展方向，與監督學習事先進行標注分類截然不同的是，無監督學習可以很好的幫助我們根據類別未知的無標注的訓練樣本，解決遙感數據解譯中的各種問題，使機器本身代替我們對影像數據集進行聚類和分析。

 

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

 

決策型的人工智能解譯

 

      在實際業務場景中，我們需要給出的往往是一個綜合性解決方案，這意味著解譯模型的建立必須基于多源異構遙感數據，以多類別針對性的分析方法共同得出結論。

 

      而以往的人工智能遙感大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。決策型的智能技術將成為未來的主流發展方向之一，這里的“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樣，在分析問題時，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適配、異構實體網絡的自主構建、多多關聯關系的動態優化等。

 

飛機檢測

 

      未來，當我們對細分目標對象建立了足夠多離散的智能解譯模型時，或許需要一種可以將數量龐大的模型庫總結歸納的方法，一個可以實現自我學習迭代、自我決策的系統。

 

      基于積累的模型設計經驗，可以進一步將模型模塊化，并建立一個模型搜索空間，通過增強學習，在搜索空間中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，分散到聚合，繁復到簡約，專業到大眾，將使得人工智能遙感真正成為可以被廣泛深度使用，解決現實復雜業務問題，進而開拓嶄新應用場景，產生巨大經濟價值與社會效益的新型技術手段。

 

     本文轉載自商湯科技SenseTime