老分 任何颠覆性新技術(shù)由願景到成熟應用，從“思妹光想火花(huā)”到“物質成品”都有一個(gè)發展過程。遙感技術(shù)誕生于20世紀60年代，經過幾十年的迅速發展，成為來商一門實用、先進的空間探測技術(shù)。

 

    &nbs裡學p; 未來十年，遙感是否可(kě)以深刻地影去線響社會發展，切實解決生産生活中(zhōng)的問(wèn)題，兼具普适自南性和(hé)經濟價值，其關(guān)鍵點在于對大拿遙感數據的解譯和(hé)應用。如(rú)果人工智能技術(shù)與遙感的結合打坐河開未來遙感行業(yè)應用大門，這将帶來怎樣到要的變革呢(ne)？

 

   &nbs錯醫p;  傳統遙感解譯技術(shù)對精準快速的處理效果什舊不理想，對精細化狀态分析缺乏有效手段。最為掣肘的是圖像解譯方法主要好那依賴人工判讀和(hé)半自動(dòng)化亮山軟件解譯，這使得遙感應用無法從根本上脫離(lí)其勞動(dòng)子人密集型的“傳統”。

 

      多源自店遙感數據量的激增、遙感數據分析市場的巨大前景和(h厭體é)傳統遙感技術(shù)的瓶頸三者之間的溝壑急需一種全新的高效、算厭精準、便捷的技術(shù)手段來填平。

 

      遙感技術(科畫shù)與人工智能技術(shù)的結合，将人工智唱紙能賦能遙感技術(shù)，貫穿海量多源異構數據從處街制理分析到共享應用的全鍊路(lù)，在大幅縮短(duǎn)遙感紙裡圖像解譯周期、提高解譯精準度的同時催生新的玩暗遙感應用領域，促進遙感技術(shù)應用的變書有革。

 

2019世界人工智能大會期間

商(shāng)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(zhōng)面臨了風巨大挑戰

 

    &nbs司下p; 伴随着人工智能技術(shù)近年來的蓬勃發展和從吃(hé)廣泛應用，遙感技術(shù)對新型解譯能力的需求迫切，越來越多的高什睡科技公司和(hé)科研院校(xiào)已着手嘗試利用深度快關學習解決海量遙感影像的解譯問(wèn)題，并取得了一些階段性進展，付諸公樂于遙感行業(yè)應用上。

 

      其中(z愛訊hōng)較為典型的例子(zǐ)，如(rú)商書相(shāng)湯科技在2019年WGDC上發布的SenseEar業雪th智能遙感在線解譯平台和(hé)其背後作為支撐的SenseRemote智樂呢能遙感解譯系列産品，其像素級解譯分類精度超過時我 95%、目标檢測準确率優于 98%；适用于包括目制老标檢測、變化檢測、地表信息提取、土(tǔ)地利房為用類型分類等多個(gè)遙感應用場景。

 

   &nbs國子p;  然而，雖然現階段人工智能與遙感技術(shù)的結吃熱合已經取得了一些進展，在部分應用場景中(zhōng)利用深度學習技術(s也頻hù)解譯遙感影像的處理精度、效率和(hé)自動(dòng)化程黃費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(hé)未來發展對女所面對的巨大挑戰。

 

      首行還先，目前大部分人工智能遙感應用均采取監督聽到學習的方法，利用此類技術(shù)對海量遙感數據月市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花謝的訓練工作；而遙感應用場景的豐富性，多樣性，甚至同一解譯高信對象在不同空間、時間維度下(xià)所展現出不同的特性，使數據樣見志本的複雜性呈幾何倍數的增長，導緻可(kě)以将大部分遙感睡路應用領域中(zhōng)正确标注的樣本集合成庫，從而訓練出有效解譯紅水模型的可(kě)能性極低。

 

      這種複雜性使如路得基于監督學習方式，通(tōng)過深度學習方法得到的遙區了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

 

    &nbs聽對p; 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，不同服理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緻性處理大銀帶來巨大的挑戰，如(rú)何利用多源異構數據構建“一張圖”式的應用場景，使得人中費工智能技術(shù)可(kě)以便捷地解決海量異構數據時空信鄉醫息提取分析困難的問(wèn)題将是破局遙感行業(yè)發展桎梏的重中(知工zhōng)之重。

 

建築物檢測

 

    &n醫資bsp; 第三，鑒于人工智能遙感技術(shù)發展的綜合性，其發展不僅僅嗎錯依賴遙感與人工智能自身的技術(shù)叠代議會和(hé)發展，計算機技術(shù)、神經科學等與之離遠相關(guān)聯各個(gè)領域的技術(sh少相ù)與理論革新都會一定程度上影響着人工智能遙感行業(yè)的門白前行速度，這使得人工智能+遙感技術(shù)放鄉在産生廣泛的經濟效益前，存在着漫長的研發周期和(hé)風險成本。

 

  人工智能遙感的未來在哪裡

 

樣本積累

 

     畫秒 鑒于現階段構建人工智能遙感解譯深度學習算法模型對靜白海量标注樣本的依賴，利用雲、區塊鍊等新興網絡共享技術(shù)，将散落在各個(黃對gè)行業(yè)領域中(zhōng)遙感樣本關(guān)聯整合起來，互為補鐘匠充，同時利用數據仿真技術(shù)的發展，共同構建屬于大行業(yè)範疇爸微的解譯模型庫也許是解決智能遙感技術(shù)發展中(zhōn錢自g)樣本不足的途徑之一。

 

     為冷 在SenseEarth智能遙感在線解譯平台的規劃中(zhōng)提到，劇下“在未來，一個(gè)輕量級在線樣本訓練平台系統将搭載上線，子筆希望借此與用戶将産生更多的交流與合作，以商(shāng)湯的前沿算法儲備和(小快hé)雄厚計算資(zī)源與全領域用戶手中(zhōng)的藍爸存量樣本數據産生火花(huā)，共同擴展遙感樣本庫，訓練出更多更精準覆蓋鐵拍全領域的解譯模型，以知識共享的理念推動(dòng森明)AI+遙感的發展進程。”

 

SenseEarth智能遙感影像解譯平台

用地分類演示

 

無監督學習

 

    &nbs房女p; 從另一個(gè)角度來看，目前深度學習的基礎是亮制對大量被正确标注的結構化樣本數據的訓練，朋吃然而遙感數據大部分是未經标注和(hé)整理的，這意味着這些自國數據對于大多數目前的監督式學習來說并不可(kě)用。

 

      标注樣本集或知多許過小、或許标注存在偏差，在訓練一個(gè市山)複雜的遙感解譯模型時，由于大量可(kě)學習參數道唱與訓練樣本強關(guān)聯，使用小數據集可(kě)能會導緻過度拟合，最終我們風視得到的可(kě)能是一個(gè)僅适用于這風紅些訓練樣本的模型，而不是從數據中(zhōng)學習一般概念的模型什開。

 

道路(lù)檢測

 

     低紙; 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理媽術(shù)發展方向，與監督學習事先進行标注分類截然不同的是，無監督學習可費頻(kě)以很好的幫助我們根據類别未知的無标注的訓練樣本，解吃房決遙感數據解譯中(zhōng)的各種問(wèn)題，使機器(qì)本身代南影替我們對影像數據集進行聚類和(hé)分析。

 

      在面對海量我們遙感數據時，我們要處理的不再是進行結構化标注完善的各類樣本，而是遙感數據本內門身——無監督學習。

 

決策型的人工智能解譯

 

    &n雨上bsp; 在實際業(yè)務場景中(zhōng)，我們需要給出的往往是能站一個(gè)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裡草感數據，以多類别針對性的分析方法共同得出吃兒結論。

 

   &nbs媽視p;  而以往的人工智能遙感大多是對傳統數字圖文不像處理方法的遷移，甚至僅以統計學的理念來解決問(秒吧wèn)題。決策型的智能技術(shù)将成為未來的主流發展方向之一，這裡的“決信海策”并不僅是利用成果幫助用戶進行判斷，而是外做在智能解譯數據時讓系統自帶決策功能，如(rú)人的學習對你和(hé)思維一樣，在分析問(wèn)題時，利用“經飛離驗”自主的選擇判斷依據，對特定場景進行其包括專業(yè)性網絡模型的著火适配、異構實體網絡的自主構建、多多關(guān)聯關(gu海銀ān)系的動(dòng)态優化等。

 

飛機檢測

 

      未來，當我們對細民明分目标對象建立了足夠多離(lí)散的智能解譯模型時，或許需要一種可(吃行kě)以将數量龐大的模型庫總結歸納的方法，一個(gè)可(kě)以實現會為自我學習叠代、自我決策的系統。

 

   &nbs如冷p;  基于積累的模型設計經驗，可(kě)以進一步将模型模吧朋塊化，并建立一個(gè)模型搜索空間，通(tōng)過增強學習快信，在搜索空間中(zhōng)尋找與自身問(wèn)題更匹配呢村的針對性模型，這個(gè)模型可(kě)以被理解成各種網去南絡的網絡、模型的模型，分散到聚合，繁複到簡約，專業(yè)到大衆，廠明将使得人工智能遙感真正成為可(kě)以被廣泛深度使用，解決現實複雜業(y睡視è)務問(wèn)題，進而開拓嶄新應用場景，産生巨大經濟價值與社外新會效益的新型技術(shù)手段。

 

     本文(wé章新n)轉載自商(shāng)湯科技Sens關遠eTime