依莊防，博士，泰伯網海外特約專欄作者。傣族，出生(shēng)于西(xī)雙版納，目前就(jiù)職于Development Seed（美國(guó)華盛頓特區），是一(yī)位機(jī)器(qì)學習算(suàn)法工(gōng)程師(shī)。
作者： 依莊防
人工(gōng)智能(néng)不可阻擋地向各行業(yè)滲透。這一(yī)現象，恰巧撞上(shàng)了“商業(yè)遙感衛星發射潮”。這似乎預示了某種潛流。此刻，從(cóng)事(shì)衛星遙感影像解譯和大數據提取的專業(yè)人士、科研人員(yuán)、政府部門(mén)和企業(yè)都躍躍欲試：恨不得在獲取數據的同時，一(yī)股腦(nǎo)兒在衛星上(shàng)直接解譯、處理和打包，地面接收站(zhàn)再根據用戶需求分發。
顯然，這種願景目前還(hái)無法實現。商業(yè)衛星影像本身數據量龐大，有很多(duō)難點尚未攻關。不過，在高(gāo)分辨率影像應用領域，市(shì)場和科研都有一(yī)些亮眼的成果——它們讓高(gāo)分遙感從(cóng)獲取、解譯到(dào)數據分配的一(yī)條龍服務的願景成為(wèi)可能(néng)。
（注：目前熱議的人工(gōng)智能(néng)，其實包括了很多(duō)領域和應用。講真，所有可以用機(jī)器(qì)代替人工(gōng)來做，特别是重複性強的，在媒體報(bào)道中都統稱人工(gōng)智能(néng)。本文所指的人工(gōng)智能(néng)，具體指用機(jī)器(qì)學習、深度學習等計算(suàn)機(jī)視覺技(jì)術(shù)去分析、解譯高(gāo)分遙感數據。）
所以，隻有充分了解高(gāo)分辨率遙感影像的直接應用難度，才能(néng)為(wèi)人工(gōng)智能(néng)與遙感的結合，構建合理的想像。
高(gāo)分遙感應用難度
難度1. 數據大
高(gāo)分遙感影像的分辨率越大，其數據就(jiù)越大。
30米分辨率指的是遙感影像上(shàng)每一(yī)個(gè)像素對應的地物(wù)是30米x30米。比如地面120米 x 120米的地塊，在分辨率為(wèi)30米的衛星影像圖上(shàng)是16個(gè)像元，但是在3米x 3米的衛星影像上(shàng)就(jiù)是1600個(gè)像元，到(dào)了30厘米 x 30厘米的衛星影像圖中則變成了160000個(gè)像元。
分辨率越高(gāo)記錄的數據信息越詳細，不僅僅是像元随著(zhe)高(gāo)分影像增大，其每個(gè)像元的信息複雜(zá)性也在增加，因此高(gāo)分遙感影像分辨率的提高(gāo)和其更低(dī)分辨率影像之間的文件(jiàn)大小(xiǎo)不是線性關系。
難度2. 分析難
分辨率越高(gāo)，信息量越大，數據提取就(jiù)越難。
同一(yī)個(gè)地點，高(gāo)分辨率遙感影像随著(zhe)分辨率越高(gāo)獲取的地面數據越多(duō)，信息越複雜(zá)，就(jiù)越難提取有用的信息。
如果在一(yī)二十年(nián)前用Landsat衛星影像（30米分辨率）做一(yī)個(gè)縣市(shì)級别的土(tǔ)地利用分類工(gōng)作，直接把數據導入地理信息和圖像解譯工(gōng)作平台（ERDAS，ENVI和ArcGIS等等）大概都可以作出個(gè)産品來。但是如果衛星影像分辨率達到(dào)了30厘米(相(xiàng)當于30m分辨率高(gāo)出100倍的精度)：30米分辨率時隻能(néng)看(kàn)到(dào)大概的形狀，30厘米就(jiù)可以看(kàn)到(dào)路(lù)上(shàng)行駛的車輛了——遙感影像分辨率越高(gāo)，精度越高(gāo)，可以觀察到(dào)的地物(wù)就(jiù)越多(duō)，那麽在衆多(duō)繁雜(zá)的信息中分辨出有用信息的難度就(jiù)越大。
普通(tōng)影像處理軟件(jiàn)處理分辨率越高(gāo)的影像就(jiù)越困難，此時人工(gōng)智能(néng)的作用就(jiù)凸顯了。高(gāo)性能(néng)超級計算(suàn)機(jī)，可以不知疲倦地實時處理人工(gōng)和普通(tōng)影像處理軟件(jiàn)無法完成的工(gōng)作。
Digital GlobeWorldView-3影像兩個(gè)分辨率對比圖，左圖是分辨率為(wèi)1.24米（文件(jiàn)大小(xiǎo)為(wèi)1.7M），右圖分辨率是0.31米（圖片大小(xiǎo)是10.2M）
難度3. 可用性不确定
解譯數據的可用性。
這時，可能(néng)會(huì)有遙感專業(yè)的同事(shì)說，信息量大，正是高(gāo)分辨率遙感的魅力所在。這話是沒有錯(cuò)的。
下(xià)面咱們還(hái)要講怎麽使用人工(gōng)智能(néng)遙感從(cóng)高(gāo)分辨率遙感影像中提取有用的信息。但是在實現這一(yī)步之前，有一(yī)個(gè)不可忽視的細節難度——分辨率越高(gāo)的影像解譯和提取的信息越多(duō)，處理不好，反倒可能(néng)使得結果沒辦法用。
我們從(cóng)高(gāo)分辨率影像中提取的數據，最終目的是希望可以放(fàng)在地圖上(shàng)，供專業(yè)人士或者普通(tōng)市(shì)民(mín)使用。基本上(shàng)很多(duō)計算(suàn)機(jī)視覺裡(lǐ)面使用到(dào)機(jī)器(qì)學習和深度學習（比如圖像分割、對象檢測和圖像分類）都可以在高(gāo)分辨率遙感中應用。
無人駕駛汽車使用的機(jī)器(qì)學習算(suàn)法是圖像分割，即該車在街道上(shàng)行駛時不斷的拍照(zhào)和解讀(dú)，哪裡(lǐ)是道路(lù)、道路(lù)邊界、行道樹和行人。從(cóng)高(gāo)分辨率遙感解譯信息其實也是這麽一(yī)回事(shì)，從(cóng)圖像分割中知道哪裡(lǐ)是樓房、道路(lù)、橋梁、樹林、機(jī)場等等。
和一(yī)般計算(suàn)機(jī)視覺不同的是，高(gāo)分遙感提取的數據需要放(fàng)在地圖上(shàng)，就(jiù)是說這數據不僅要在機(jī)器(qì)學習（人工(gōng)智能(néng)）模型中達到(dào)好的精度，還(hái)要有準确的地理信息（比如經緯度等等）——這最終才有可用性。
比如咱們用圖像分割中解譯出來的道路(lù)在地圖上(shàng)向右平移了5米，或者解譯出來的樓房缺了三分之一(yī)等等。那麽數據要用到(dào)現實生(shēng)活，如導航或者計算(suàn)建築面積，就(jiù)沒啥用了。
難度4.其他
高(gāo)分辨率遙感影像本身特點帶來的問題。
除了以上(shàng)高(gāo)分辨率遙感影像文件(jiàn)大、信息複雜(zá)、信息提取難度高(gāo)、以及人工(gōng)智能(néng)模型結果的可用性不确定等因素之外，高(gāo)分辨率遙感影像本身還(hái)存在以下(xià)問題：
①雲層覆蓋。大家擡眼看(kàn)天空，雲層千變萬化。不同的季節和地區雲層覆蓋不一(yī)。一(yī)旦衛星影像研究區域的雲覆蓋率到(dào)了10%以上(shàng)就(jiù)很難從(cóng)中提取好的數據。當然這個(gè)問題在商業(yè)小(xiǎo)衛星覆蓋率高(gāo)的地區，衛星可以在短時間内重複性的訪問一(yī)個(gè)地點，或者在天氣晴朗的時候使用無人機(jī)獲取數據等，是可以解決這個(gè)問題的。
②時空分辨率的取舍。空間分辨率，是到(dào)目前一(yī)直強調的高(gāo)分辨率。而時間分辨率指的是遙感影像以多(duō)高(gāo)的頻率獲取，比如是一(yī)天拍一(yī)次上(shàng)海，還(hái)是一(yī)個(gè)月(yuè)一(yī)次，還(hái)是一(yī)年(nián)一(yī)次。
高(gāo)分辨率衛星影像不僅僅處理和解譯難，獲取的費(fèi)用也是不菲的。因此沒有長(cháng)期的研究、資金支持和投入，沒有市(shì)場需求，同時開(kāi)發的高(gāo)分遙感産品不能(néng)在時間或空間分辨率中占得優勢的話，企業(yè)很難在市(shì)場上(shàng)存活。比如美國(guó)Digital Globe，它的衛星影像是根據客戶需要去采集數據，它最好的數據産品WorldView-3和4的分辨率可達0.31米。Planet Lab的商業(yè)模式則不同，它是通(tōng)過提高(gāo)時間分辨率但（部分）放(fàng)棄空間分辨率（他們的最高(gāo)分辨率的衛星影像産品是1米空間分辨率），以實現每周生(shēng)成覆蓋全球的遙感影像。當然，Planet同時也在提高(gāo)衛星影像的空間分辨率來搶占市(shì)場。
③波段多(duō)，難以取舍。和計算(suàn)機(jī)視覺的機(jī)器(qì)學習、人工(gōng)智能(néng)模型中大部分隻是用紅(hóng)綠藍三個(gè)色相(xiàng)通(tōng)道（就(jiù)是普通(tōng)的照(zhào)片）不同，高(gāo)分辨率遙感影像可以有十幾到(dào)上(shàng)百個(gè)波段，不同的地物(wù)解譯和圖像分割可選取不通(tōng)的波段組合。但是選擇多(duō)了也很痛苦，因為(wèi)目前高(gāo)分率波段組合和選擇在機(jī)器(qì)學習（人工(gōng)智能(néng)）上(shàng)的應用還(hái)沒有足夠積累。
人工(gōng)智能(néng)和高(gāo)分遙感的結合
人工(gōng)智能(néng)和高(gāo)分辨率遙感可以說是天作之合。
高(gāo)分辨率遙感影像的存在是為(wèi)了能(néng)讓我們實時監測地面發生(shēng)的變化。比如一(yī)個(gè)城(chéng)市(shì)哪裡(lǐ)新建了房屋，哪裡(lǐ)新建了道路(lù)橋梁；農業(yè)上(shàng)哪一(yī)個(gè)作物(wù)得了病蟲害；或者哪一(yī)個(gè)地區發生(shēng)旱災澇害，要怎樣疏導災民(mín)，如何重建。也有保險公司在實時監測用戶的屋頂材料和冰雹雪災之間的聯系，從(cóng)而為(wèi)拓展房屋保險業(yè)務提供服務。人工(gōng)智能(néng)可以讓我們大規模、智能(néng)化、實時性的實現數據提取。
前面說了那麽多(duō)困難，那麽，人工(gōng)智能(néng)和高(gāo)分辨率遙感影像解譯能(néng)結合嗎(ma)？能(néng)有未來嗎(ma)？答案是肯定的。下(xià)面待我給大家一(yī)一(yī)解讀(dú)。
傳統計算(suàn)機(jī)視覺的新玩法
01.啥是機(jī)器(qì)學習（深度學習）
機(jī)器(qì)學習可以分為(wèi)監督學習，非監督學習和強化學習。
顧名思義，監督學習指的是告訴模型你認為(wèi)圖像裡(lǐ)哪是房子哪是路(lù)，人工(gōng)智能(néng)就(jiù)會(huì)建立原始衛星影像和你給的标簽（房子，道路(lù)）之間的數學關系。非監督學習就(jiù)是不告訴模型哪是房子哪是道路(lù)，模型根據衛星影像裡(lǐ)面的像元值對圖像進行分類。強化學習則是啥也不告訴模型，讓模型自(zì)己學習，并不斷強化。當然我這是往簡單裡(lǐ)說，具體的解釋大家可以參考其他機(jī)器(qì)學習的資料。
高(gāo)分辨率遙感影像解譯用的最多(duō)的是監督學習。
第一(yī)排的兩張圖是監督學習中的圖像分割訓練數據（左圖是衛星影像圖，右圖是标簽數據——房子和道路(lù)）。這個(gè)訓練圖集的關系就(jiù)如同解方程式：其中衛星影像圖就(jiù)相(xiàng)當于X，标簽數據就(jiù)是y，人工(gōng)智能(néng)模型就(jiù)是在X和y中找數學關系。然後我們可以通(tōng)過這個(gè)關系從(cóng)未被人工(gōng)智能(néng)模型訓練過的衛星影像圖中提取房子和道路(lù)的信息。
第二排的兩張圖是監督學習中的對象檢測訓練數據（左圖是衛星影像圖，右圖是房子的對象檢測框）。
在第一(yī)排訓練數據訓練的圖像分割模型，就(jiù)可以從(cóng)高(gāo)分辨率遙感影像中找出衛星影像中哪一(yī)個(gè)像元是房子或者道路(lù)。第二排訓練數據集訓練的模型則可以用來“找房子”，這個(gè)方法一(yī)般可以用來數房子，即可以用通(tōng)過新房子在一(yī)段時間的建設數量來衡量區域經濟發展的速度。比如第一(yī)排的訓練數據集可以通(tōng)過在高(gāo)分辨率遙感影像和标簽數據之間建立數學關系（這裡(lǐ)通(tōng)常通(tōng)過深度學習的方法），進而預測未知影像中的檢測對象。
人工(gōng)智能(néng)模型通(tōng)過輸入的高(gāo)分辨率遙感影像和标簽數據來預測檢測對象。圖中第一(yī)排是房屋建築面積的預測模型，第二排是道路(lù)系統檢測模型。
02.高(gāo)分影像和開(kāi)放(fàng)街道地圖（Open Street Map）為(wèi)機(jī)器(qì)學習新玩法雪中送炭
高(gāo)分遙感影像數據量大，傳統的分析方法是下(xià)載一(yī)整片衛星影像，導入到(dào)可以用來分析這個(gè)影像的地理信息軟件(jiàn)中來分析。這項工(gōng)作繁瑣、緩慢(màn)、不讨好，而且受各種不可知因素影響。沒有大量的人工(gōng)投入很難用于應急，比如洪澇災害來了，隻能(néng)依靠過往的地圖和模型信息積累來開(kāi)展工(gōng)作。
通(tōng)過區塊地圖服務（Tile Map Service）實現高(gāo)分遙感的實時分享，以及開(kāi)放(fàng)街道地圖的存在，它們是未來人工(gōng)智能(néng)在高(gāo)分辨率遙感影像解譯方面長(cháng)足發展的兩個(gè)重要基礎。要做到(dào)以上(shàng)實時預測道路(lù)網絡，離不開(kāi)這兩個(gè)基石。
03.區塊地圖服務（Tile Map Service）
大家肯定熟悉百度地圖、高(gāo)德地圖、必應衛星影像圖。照(zhào)理來說，全球或整個(gè)中國(guó)的地圖數據那麽大，儲存了那麽多(duō)數據，比如你喜歡的餐館、書店、咖啡館、電(diàn)影院等等，以及你上(shàng)學、上(shàng)班和回家的每一(yī)條路(lù)，還(hái)有千千萬萬同學的同學、朋友(yǒu)的朋友(yǒu)的住宅小(xiǎo)區等等。數據那麽大，可是并不妨礙你一(yī)打開(kāi)手機(jī)就(jiù)可以浏覽。
這得益于區塊地圖服務（當然還(hái)有其他的技(jì)術(shù)，咱們先往簡單裡(lǐ)說），這個(gè)技(jì)術(shù)可以使我們從(cóng)全球地圖開(kāi)始，點擊放(fàng)大地圖20次就(jiù)可以看(kàn)到(dào)世界上(shàng)任何一(yī)個(gè)地區的街景。地圖在每一(yī)次放(fàng)大過程中的信息量不一(yī)樣，在全球水(shuǐ)平上(shàng)是非常粗糙的國(guó)家級數據，放(fàng)大20次在手機(jī)屏幕上(shàng)展示的信息就(jiù)是你感興趣的街景圖。
在放(fàng)大地圖的過程中越來越多(duō)的信息被展現，在縮小(xiǎo)的過程你會(huì)發現經常走的那條街不見(jiàn)了，慢(màn)慢(màn)的學校在地圖上(shàng)消失了，然後在全國(guó)地圖上(shàng)你隻看(kàn)到(dào)你的省會(huì)城(chéng)市(shì)。
這和高(gāo)分遙感影像實時分享有啥關系？說白(bái)了就(jiù)是同一(yī)個(gè)道理。高(gāo)分遙感簡單的說是你可以放(fàng)到(dào)最大看(kàn)到(dào)的衛星影像圖，精細、信息量大。可以想像，這些塊狀的衛星影像就(jiù)像地闆磚一(yī)樣（英文用詞是tile，很形象），分辨率為(wèi)1米的塊狀衛星影像要覆蓋（鋪滿）整個(gè)中國(guó)大概需要千萬億塊（960萬平方公裡(lǐ)）。可想而知要在這個(gè)分辨率尺度上(shàng)解譯國(guó)家級别的數據，這個(gè)工(gōng)作量和人工(gōng)需求有多(duō)大，就(jiù)更不要說比1米分辨率更高(gāo)的高(gāo)分辨率影像了。
商業(yè)衛星影像公司可以通(tōng)過生(shēng)成不同分辨率影像，來滿足不同的用戶需求。比如要做建築物(wù)占地面積或者道路(lù)系統的人工(gōng)智能(néng)模型，就(jiù)會(huì)希望用到(dào)最高(gāo)空間分辨率的影像（下(xià)圖提到(dào)的放(fàng)大次數我們希望用到(dào)zoom level 17以上(shàng)的影像數據），但是做農業(yè)相(xiàng)關的土(tǔ)地利用圖就(jiù)不需要高(gāo)分辨率的影像。
區塊地圖服務可以從(cóng)全球低(dī)分辨率的衛星影像放(fàng)大到(dào)高(gāo)尺度的衛星影像。
04.開(kāi)放(fàng)街道地圖
開(kāi)放(fàng)街道地圖是以人人都可以編輯的世界地圖為(wèi)其宗旨。全球有幾百萬會(huì)員(yuán)每天都在世界不同的國(guó)家和地區編輯和錄入數據。其中人道主義援助的貢獻特别突出，比如海地和尼泊爾地震期間就(jiù)有全球的志(zhì)願者通(tōng)過高(gāo)清衛星影像編輯地圖，比如勾畫(huà)出哪個(gè)地段的道路(lù)和房子被毀了，哪裡(lǐ)是最近的救援點和醫(yī)院等等。
開(kāi)放(fàng)街景地圖可以作為(wèi)機(jī)器(qì)學習的訓練數據集，特别是訓練數據中的标簽數據。我們最近開(kāi)發了一(yī)個(gè)開(kāi)放(fàng)的python數據包，叫做Label Maker。該數據包可以從(cóng)開(kāi)放(fàng)街道地圖的API匹配同個(gè)地區的Mapbox衛星影像來生(shēng)成包括TensorFlow、MXNet、Pytorch、Theano和Keras框架下(xià)的深度學習訓練數據集。
我們在Label Maker的上(shàng)面放(fàng)了幾個(gè)機(jī)器(qì)學習的案例，包括圖像分類和對象檢測，大家可以去看(kàn)看(kàn)（我的中文博客介紹）。
高(gāo)分影像、開(kāi)放(fàng)街景地圖和Label Maker，加上(shàng)雲計算(suàn)，可以實現很多(duō)以往傳統的中低(dī)分辨率遙感影像和傳統的衛星影像解譯無法做到(dào)的。SkyNet是我們做圖像分割的一(yī)個(gè)機(jī)器(qì)學習方法，開(kāi)放(fàng)的，大家可以去玩玩。
我們用SkyNet可以實時從(cóng)高(gāo)分遙感影像中解譯道路(lù)系統。當然SkyNet的背後是劍橋大學在前幾年(nián)開(kāi)發的SegNet技(jì)術(shù)。機(jī)器(qì)學習中的圖像分割（也是SkyNet）背後的技(jì)術(shù)是目前無人駕駛汽車中主要使用的計算(suàn)機(jī)視覺技(jì)術(shù)之一(yī)。 我們現在還(hái)在開(kāi)發更多(duō)、更新、運算(suàn)更快的算(suàn)法。北(běi)美和全球都有很多(duō)類似的公司和機(jī)構，開(kāi)發各種深度學習、傳統機(jī)器(qì)學習在高(gāo)分辨率遙感影像解譯中的應用軟件(jiàn)包和工(gōng)具。希望未來可以給大家多(duō)多(duō)介紹。
高(gāo)分遙感影像的出現和人工(gōng)智能(néng)可以幫我們做很多(duō)事(shì)情。作為(wèi)這個(gè)領域的專業(yè)人士，我們該從(cóng)應用的角度出發，挖掘人工(gōng)智能(néng)和高(gāo)分影像的應用。比如對于智能(néng)城(chéng)市(shì)的建設，第一(yī)道數據關口是我們的城(chéng)市(shì)裡(lǐ)道路(lù)建設和房屋狀況是怎麽樣的？哪裡(lǐ)發展最快，哪裡(lǐ)比較慢(màn)，為(wèi)什麽？洪澇災害來了哪裡(lǐ)會(huì)受災比較嚴重？醫(yī)院學校都建在哪裡(lǐ)，其他的公共設施都建在哪裡(lǐ)？
高(gāo)分遙感的實時更新以及人工(gōng)智能(néng)的快速運算(suàn)，需要能(néng)夠回答智能(néng)城(chéng)市(shì)建設的最基本問題。比如下(xià)圖，通(tōng)過對比人工(gōng)智能(néng)模型的建築占地面積預測結果和已經在地圖上(shàng)标記的建築占地面積，就(jiù)可以找出一(yī)個(gè)城(chéng)市(shì)哪些建築是新的、還(hái)沒有标記在地圖上(shàng)的。開(kāi)放(fàng)街景地圖的制圖任務管理人員(yuán)可以号召制圖志(zhì)願者到(dào)這些地方添加沒有地圖标記的建築物(wù)。同樣的道理，人工(gōng)智能(néng)和高(gāo)分辨率遙感影像的結合，除了可以幫城(chéng)市(shì)規劃機(jī)構标記城(chéng)市(shì)化的進程外，遙感的多(duō)光(guāng)譜波段還(hái)可以“看(kàn)見(jiàn)”城(chéng)市(shì)建築物(wù)的材料，從(cóng)而“預見(jiàn)”城(chéng)市(shì)在不同自(zì)然災害下(xià)的脆弱程度，這對災後重建工(gōng)作也會(huì)起到(dào)很大作用。
淺見(jiàn)未來
01.人工(gōng)智能(néng)也需要加入人的協助
目前人工(gōng)智能(néng)在高(gāo)分辨率遙感影像上(shàng)的應用日新月(yuè)異，但是因為(wèi)衛星遙感影像應用難度，以及人工(gōng)智能(néng)本身的應用瓶頸，還(hái)不能(néng)實現全程的自(zì)動化。因此，從(cóng)衛星影像采集到(dào)衛星影像解譯和數據整理一(yī)條龍服務還(hái)難以達到(dào)。不過，相(xiàng)關專業(yè)人士可以在這個(gè)過程中助力。
比如上(shàng)面提到(dào)的道路(lù)系統和房屋建築占地面積預測在一(yī)定程度上(shàng)是可以實現全程自(zì)動化的，但是還(hái)有大量案例是無法全部自(zì)動化的。
2018年(nián)我們幫助世界銀(yín)行制作巴基斯坦、尼日利亞和贊比亞三國(guó)的高(gāo)壓電(diàn)網圖。高(gāo)壓電(diàn)網在高(gāo)分辨率影像中是非常難以分辨的，我們通(tōng)過人工(gōng)智能(néng)模型預測高(gāo)壓電(diàn)塔的分布、引導專業(yè)制圖人員(yuán)制圖的方式完成，這要比傳統人工(gōng)查看(kàn)高(gāo)壓電(diàn)塔、畫(huà)高(gāo)壓電(diàn)網的方法在速度上(shàng)提高(gāo)了33倍工(gōng)作産出（該方法現在是開(kāi)放(fàng)的報(bào)告和模型方法，可供大家參閱）。
02.高(gāo)分辨率影像解譯和人工(gōng)智能(néng)要完成三件(jiàn)事(shì)
現在人工(gōng)智能(néng)（機(jī)器(qì)學習和深度學習）和高(gāo)分辨率遙感的解譯和應用熱情空前高(gāo)漲，但是所有業(yè)内人士也不能(néng)忽略這個(gè)問題：如何從(cóng)高(gāo)分遙感影像中提取可直接應用的數據。
這個(gè)問題不是專業(yè)人士拍拍腦(nǎo)袋就(jiù)能(néng)夠決定的，而是應該從(cóng)不同應用案例和使用者的角度出發來解譯和整理數據。比如同樣的方法論，我上(shàng)面提到(dào)的應用圖像分割從(cóng)高(gāo)分辨率遙感影像中提取道路(lù)系統。城(chéng)市(shì)規劃師(shī)需要的數據與交通(tōng)管理部門(mén)不同，澇災情況下(xià)的導航需要的道路(lù)系統也與災後重建所需要的不同。
道路(lù)系統屬性不同，能(néng)夠支持不同的工(gōng)作和需求。因此，機(jī)器(qì)學習算(suàn)法工(gōng)程師(shī)和高(gāo)分辨率遙感影像解譯的工(gōng)作，必須能(néng)夠滿足三方面的要求：第一(yī)，數據的完整性；第二，預測的準确性；第三，數據的應用性。其中，第三個(gè)條件(jiàn)不應該是最後考慮的，而是要在人工(gōng)智能(néng)模型的開(kāi)發過程中貫穿始終。
希望我們可以一(yī)起做更多(duō)更有意義的工(gōng)作，通(tōng)過開(kāi)放(fàng)的軟件(jiàn)開(kāi)發服務更多(duō)的社區、地區、國(guó)家和需要數據的人。
文章轉載泰博網
