要久久爱在线免费观看,要久久爱电视剧免费观看,要久久爱电视剧,要久久爱在线观看,要久久爱免费,要久久爱电视剧免费看,要久久爱免费观看

      任何顛覆性新技術(shù)由愿景到成熟應(yīng)用，從“思想火花”到“物質(zhì)成品”都有一個發(fā)展過程。遙感技術(shù)誕生于20世紀(jì)60年代，經(jīng)過幾十年的迅速發(fā)展，成為一門實用、先進(jìn)的空間探測技術(shù)。

 

      未來十年，遙感是否可以深刻地影響社會發(fā)展，切實解決生產(chǎn)生活中的問題，兼具普適性和經(jīng)濟(jì)價值，其關(guān)鍵點在于對遙感數(shù)據(jù)的解譯和應(yīng)用。如果人工智能技術(shù)與遙感的結(jié)合打開未來遙感行業(yè)應(yīng)用大門，這將帶來怎樣的變革呢？

 

      傳統(tǒng)遙感解譯技術(shù)對精準(zhǔn)快速的處理效果不理想，對精細(xì)化狀態(tài)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(yīng)用無法從根本上脫離其勞動密集型的“傳統(tǒng)”。

 

      多源遙感數(shù)據(jù)量的激增、遙感數(shù)據(jù)分析市場的巨大前景和傳統(tǒng)遙感技術(shù)的瓶頸三者之間的溝壑急需一種全新的高效、精準(zhǔn)、便捷的技術(shù)手段來填平。

 

      遙感技術(shù)與人工智能技術(shù)的結(jié)合，將人工智能賦能遙感技術(shù)，貫穿海量多源異構(gòu)數(shù)據(jù)從處理分析到共享應(yīng)用的全鏈路，在大幅縮短遙感圖像解譯周期、提高解譯精準(zhǔn)度的同時催生新的遙感應(yīng)用領(lǐng)域，促進(jìn)遙感技術(shù)應(yīng)用的變革。

 

2019世界人工智能大會期間

商湯為世博園區(qū)做的城市變化監(jiān)測

 

  AI+遙感在部分應(yīng)用場景中面臨巨大挑戰(zhàn)

 

      伴隨著人工智能技術(shù)近年來的蓬勃發(fā)展和廣泛應(yīng)用，遙感技術(shù)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?yán)蒙疃葘W(xué)習(xí)解決海量遙感影像的解譯問題，并取得了一些階段性進(jìn)展，付諸于遙感行業(yè)應(yīng)用上。

 

      其中較為典型的例子，如商湯科技在2019年WGDC上發(fā)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(chǎn)品，其像素級解譯分類精度超過 95%、目標(biāo)檢測準(zhǔn)確率優(yōu)于 98%；適用于包括目標(biāo)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(yīng)用場景。

 

      然而，雖然現(xiàn)階段人工智能與遙感技術(shù)的結(jié)合已經(jīng)取得了一些進(jìn)展，在部分應(yīng)用場景中利用深度學(xué)習(xí)技術(shù)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(fā)展所面對的巨大挑戰(zhàn)。

 

      首先，目前大部分人工智能遙感應(yīng)用均采取監(jiān)督學(xué)習(xí)的方法，利用此類技術(shù)對海量遙感數(shù)據(jù)進(jìn)行智能解譯的基礎(chǔ)，是前置的對同樣海量特定解譯對象已標(biāo)注樣本的訓(xùn)練工作；而遙感應(yīng)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(xiàn)出不同的特性，使數(shù)據(jù)樣本的復(fù)雜性呈幾何倍數(shù)的增長，導(dǎo)致可以將大部分遙感應(yīng)用領(lǐng)域中正確標(biāo)注的樣本集合成庫，從而訓(xùn)練出有效解譯模型的可能性極低。

 

      這種復(fù)雜性使得基于監(jiān)督學(xué)習(xí)方式，通過深度學(xué)習(xí)方法得到的遙感智能解譯模型很難具備普適性和復(fù)用性。

 

徐州市沛縣冬小麥提取

 

      其次，遙感數(shù)據(jù)來源的多元異構(gòu)化，不同遙感平臺，不同載荷成像機(jī)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(shù)據(jù)的一致性處理帶來巨大的挑戰(zhàn)，如何利用多源異構(gòu)數(shù)據(jù)構(gòu)建“一張圖”式的應(yīng)用場景，使得人工智能技術(shù)可以便捷地解決海量異構(gòu)數(shù)據(jù)時空信息提取分析困難的問題將是破局遙感行業(yè)發(fā)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(shù)發(fā)展的綜合性，其發(fā)展不僅僅依賴遙感與人工智能自身的技術(shù)迭代和發(fā)展，計算機(jī)技術(shù)、神經(jīng)科學(xué)等與之相關(guān)聯(lián)各個領(lǐng)域的技術(shù)與理論革新都會一定程度上影響著人工智能遙感行業(yè)的前行速度，這使得人工智能+遙感技術(shù)在產(chǎn)生廣泛的經(jīng)濟(jì)效益前，存在著漫長的研發(fā)周期和風(fēng)險成本。

 

  人工智能遙感的未來在哪里

 

樣本積累

 

      鑒于現(xiàn)階段構(gòu)建人工智能遙感解譯深度學(xué)習(xí)算法模型對海量標(biāo)注樣本的依賴，利用云、區(qū)塊鏈等新興網(wǎng)絡(luò)共享技術(shù)，將散落在各個行業(yè)領(lǐng)域中遙感樣本關(guān)聯(lián)整合起來，互為補充，同時利用數(shù)據(jù)仿真技術(shù)的發(fā)展，共同構(gòu)建屬于大行業(yè)范疇的解譯模型庫也許是解決智能遙感技術(shù)發(fā)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(guī)劃中提到，“在未來，一個輕量級在線樣本訓(xùn)練平臺系統(tǒng)將搭載上線，希望借此與用戶將產(chǎn)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(lǐng)域用戶手中的存量樣本數(shù)據(jù)產(chǎn)生火花，共同擴(kuò)展遙感樣本庫，訓(xùn)練出更多更精準(zhǔn)覆蓋全領(lǐng)域的解譯模型，以知識共享的理念推動AI+遙感的發(fā)展進(jìn)程?！?/span>

 

SenseEarth智能遙感影像解譯平臺

用地分類演示

 

無監(jiān)督學(xué)習(xí)

 

      從另一個角度來看，目前深度學(xué)習(xí)的基礎(chǔ)是對大量被正確標(biāo)注的結(jié)構(gòu)化樣本數(shù)據(jù)的訓(xùn)練，然而遙感數(shù)據(jù)大部分是未經(jīng)標(biāo)注和整理的，這意味著這些數(shù)據(jù)對于大多數(shù)目前的監(jiān)督式學(xué)習(xí)來說并不可用。

 

      標(biāo)注樣本集或許過小、或許標(biāo)注存在偏差，在訓(xùn)練一個復(fù)雜的遙感解譯模型時，由于大量可學(xué)習(xí)參數(shù)與訓(xùn)練樣本強關(guān)聯(lián)，使用小數(shù)據(jù)集可能會導(dǎo)致過度擬合，最終我們得到的可能是一個僅適用于這些訓(xùn)練樣本的模型，而不是從數(shù)據(jù)中學(xué)習(xí)一般概念的模型。

 

道路檢測

 

      無監(jiān)督學(xué)習(xí)算法將會是解決遙感數(shù)據(jù)標(biāo)注樣本稀缺的重要技術(shù)發(fā)展方向，與監(jiān)督學(xué)習(xí)事先進(jìn)行標(biāo)注分類截然不同的是，無監(jiān)督學(xué)習(xí)可以很好的幫助我們根據(jù)類別未知的無標(biāo)注的訓(xùn)練樣本，解決遙感數(shù)據(jù)解譯中的各種問題，使機(jī)器本身代替我們對影像數(shù)據(jù)集進(jìn)行聚類和分析。

 

      在面對海量遙感數(shù)據(jù)時，我們要處理的不再是進(jìn)行結(jié)構(gòu)化標(biāo)注完善的各類樣本，而是遙感數(shù)據(jù)本身——無監(jiān)督學(xué)習(xí)。

 

決策型的人工智能解譯

 

      在實際業(yè)務(wù)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(gòu)遙感數(shù)據(jù)，以多類別針對性的分析方法共同得出結(jié)論。

 

      而以往的人工智能遙感大多是對傳統(tǒng)數(shù)字圖像處理方法的遷移，甚至僅以統(tǒng)計學(xué)的理念來解決問題。決策型的智能技術(shù)將成為未來的主流發(fā)展方向之一，這里的“決策”并不僅是利用成果幫助用戶進(jìn)行判斷，而是在智能解譯數(shù)據(jù)時讓系統(tǒng)自帶決策功能，如人的學(xué)習(xí)和思維一樣，在分析問題時，利用“經(jīng)驗”自主的選擇判斷依據(jù)，對特定場景進(jìn)行其包括專業(yè)性網(wǎng)絡(luò)模型的適配、異構(gòu)實體網(wǎng)絡(luò)的自主構(gòu)建、多多關(guān)聯(lián)關(guān)系的動態(tài)優(yōu)化等。

 

飛機(jī)檢測

 

      未來，當(dāng)我們對細(xì)分目標(biāo)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(shù)量龐大的模型庫總結(jié)歸納的方法，一個可以實現(xiàn)自我學(xué)習(xí)迭代、自我決策的系統(tǒng)。

 

      基于積累的模型設(shè)計經(jīng)驗，可以進(jìn)一步將模型模塊化，并建立一個模型搜索空間，通過增強學(xué)習(xí)，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(wǎng)絡(luò)的網(wǎng)絡(luò)、模型的模型，分散到聚合，繁復(fù)到簡約，專業(yè)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(xiàn)實復(fù)雜業(yè)務(wù)問題，進(jìn)而開拓嶄新應(yīng)用場景，產(chǎn)生巨大經(jīng)濟(jì)價值與社會效益的新型技術(shù)手段。

 

     本文轉(zhuǎn)載自商湯科技SenseTime