任何颠覆性新技(jì)術(shù)由願景到(dào)成熟應用，從(cóng)“思想火花”到(dào)“物(wù)質成品”都有一(yī)個(gè)發展過程。遙感技(jì)術(shù)誕生(shēng)于20世紀60年(nián)代，經過幾十年(nián)的迅速發展，成為(wèi)一(yī)門(mén)實用、先進的空間探測技(jì)術(shù)。
未來十年(nián)，遙感是否可以深刻地影響社會(huì)發展，切實解決生(shēng)産生(shēng)活中的問題，兼具普适性和經濟價值，其關鍵點在于對遙感數據的解譯和應用。如果人工(gōng)智能(néng)技(jì)術(shù)與遙感的結合打開(kāi)未來遙感行業(yè)應用大門(mén)，這将帶來怎樣的變革呢(ne)？
傳統遙感解譯技(jì)術(shù)對精準快速的處理效果不理想，對精細化狀态分析缺乏有效手段。最為(wèi)掣肘的是圖像解譯方法主要依賴人工(gōng)判讀(dú)和半自(zì)動化軟件(jiàn)解譯，這使得遙感應用無法從(cóng)根本上(shàng)脫離其勞動密集型的“傳統”。
多(duō)源遙感數據量的激增、遙感數據分析市(shì)場的巨大前景和傳統遙感技(jì)術(shù)的瓶頸三者之間的溝壑急需一(yī)種全新的高(gāo)效、精準、便捷的技(jì)術(shù)手段來填平。
遙感技(jì)術(shù)與人工(gōng)智能(néng)技(jì)術(shù)的結合，将人工(gōng)智能(néng)賦能(néng)遙感技(jì)術(shù)，貫穿海量多(duō)源異構數據從(cóng)處理分析到(dào)共享應用的全鏈路(lù)，在大幅縮短遙感圖像解譯周期、提高(gāo)解譯精準度的同時催生(shēng)新的遙感應用領域，促進遙感技(jì)術(shù)應用的變革。
2019世界人工(gōng)智能(néng)大會(huì)期間
商湯為(wèi)世博園區做的城(chéng)市(shì)變化監測
AI+遙感在部分應用場景中面臨巨大挑戰
伴随著(zhe)人工(gōng)智能(néng)技(jì)術(shù)近年(nián)來的蓬勃發展和廣泛應用，遙感技(jì)術(shù)對新型解譯能(néng)力的需求迫切，越來越多(duō)的高(gāo)科技(jì)公司和科研院校已著(zhe)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(yī)些階段性進展，付諸于遙感行業(yè)應用上(shàng)。
其中較為(wèi)典型的例子，如商湯科技(jì)在2019年(nián)WGDC上(shàng)發布的SenseEarth智能(néng)遙感在線解譯平台和其背後作為(wèi)支撐的SenseRemote智能(néng)遙感解譯系列産品，其像素級解譯分類精度超過 95%、目标檢測準确率優于 98%；适用于包括目标檢測、變化檢測、地表信息提取、土(tǔ)地利用類型分類等多(duō)個(gè)遙感應用場景。
然而，雖然現階段人工(gōng)智能(néng)與遙感技(jì)術(shù)的結合已經取得了一(yī)些進展，在部分應用場景中利用深度學習技(jì)術(shù)解譯遙感影像的處理精度、效率和自(zì)動化程度都有較為(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，目前大部分人工(gōng)智能(néng)遙感應用均采取監督學習的方法，利用此類技(jì)術(shù)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；而遙感應用場景的豐富性，多(duō)樣性，甚至同一(yī)解譯對象在不同空間、時間維度下(xià)所展現出不同的特性，使數據樣本的複雜(zá)性呈幾何倍數的增長(cháng)，導緻可以将大部分遙感應用領域中正确标注的樣本集合成庫，從(cóng)而訓練出有效解譯模型的可能(néng)性極低(dī)。
這種複雜(zá)性使得基于監督學習方式，通(tōng)過深度學習方法得到(dào)的遙感智能(néng)解譯模型很難具備普适性和複用性。
徐州市(shì)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(jī)理，不同的空間時間光(guāng)譜分辨率、精度、時效性等等都給遙感數據的一(yī)緻性處理帶來巨大的挑戰，如何利用多(duō)源異構數據構建“一(yī)張圖”式的應用場景，使得人工(gōng)智能(néng)技(jì)術(shù)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将是破局遙感行業(yè)發展桎梏的重中之重。
建築物(wù)檢測
第三，鑒于人工(gōng)智能(néng)遙感技(jì)術(shù)發展的綜合性，其發展不僅僅依賴遙感與人工(gōng)智能(néng)自(zì)身的技(jì)術(shù)叠代和發展，計算(suàn)機(jī)技(jì)術(shù)、神經科學等與之相(xiàng)關聯各個(gè)領域的技(jì)術(shù)與理論革新都會(huì)一(yī)定程度上(shàng)影響著(zhe)人工(gōng)智能(néng)遙感行業(yè)的前行速度，這使得人工(gōng)智能(néng)+遙感技(jì)術(shù)在産生(shēng)廣泛的經濟效益前，存在著(zhe)漫長(cháng)的研發周期和風險成本。
人工(gōng)智能(néng)遙感的未來在哪裡(lǐ)
樣本積累
鑒于現階段構建人工(gōng)智能(néng)遙感解譯深度學習算(suàn)法模型對海量标注樣本的依賴，利用雲、區塊鏈等新興網絡共享技(jì)術(shù)，将散落在各個(gè)行業(yè)領域中遙感樣本關聯整合起來，互為(wèi)補充，同時利用數據仿真技(jì)術(shù)的發展，共同構建屬于大行業(yè)範疇的解譯模型庫也許是解決智能(néng)遙感技(jì)術(shù)發展中樣本不足的途徑之一(yī)。
在SenseEarth智能(néng)遙感在線解譯平台的規劃中提到(dào)，“在未來，一(yī)個(gè)輕量級在線樣本訓練平台系統将搭載上(shàng)線，希望借此與用戶将産生(shēng)更多(duō)的交流與合作，以商湯的前沿算(suàn)法儲備和雄厚計算(suàn)資源與全領域用戶手中的存量樣本數據産生(shēng)火花，共同擴展遙感樣本庫，訓練出更多(duō)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。”
SenseEarth智能(néng)遙感影像解譯平台
用地分類演示
無監督學習
從(cóng)另一(yī)個(gè)角度來看(kàn)，目前深度學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是未經标注和整理的，這意味著(zhe)這些數據對于大多(duō)數目前的監督式學習來說并不可用。
标注樣本集或許過小(xiǎo)、或許标注存在偏差，在訓練一(yī)個(gè)複雜(zá)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(xiǎo)數據集可能(néng)會(huì)導緻過度拟合，最終我們得到(dào)的可能(néng)是一(yī)個(gè)僅适用于這些訓練樣本的模型，而不是從(cóng)數據中學習一(yī)般概念的模型。
道路(lù)檢測
無監督學習算(suàn)法将會(huì)是解決遙感數據标注樣本稀缺的重要技(jì)術(shù)發展方向，與監督學習事(shì)先進行标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别未知的無标注的訓練樣本，解決遙感數據解譯中的各種問題，使機(jī)器(qì)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标注完善的各類樣本，而是遙感數據本身——無監督學習。
決策型的人工(gōng)智能(néng)解譯
在實際業(yè)務場景中，我們需要給出的往往是一(yī)個(gè)綜合性解決方案，這意味著(zhe)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(néng)技(jì)術(shù)将成為(wèi)未來的主流發展方向之一(yī)，這裡(lǐ)的“決策”并不僅是利用成果幫助用戶進行判斷，而是在智能(néng)解譯數據時讓系統自(zì)帶決策功能(néng)，如人的學習和思維一(yī)樣，在分析問題時，利用“經驗”自(zì)主的選擇判斷依據，對特定場景進行其包括專業(yè)性網絡模型的适配、異構實體網絡的自(zì)主構建、多(duō)多(duō)關聯關系的動态優化等。
飛(fēi)機(jī)檢測
未來，當我們對細分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(yī)種可以将數量龐大的模型庫總結歸納的方法，一(yī)個(gè)可以實現自(zì)我學習叠代、自(zì)我決策的系統。
基于積累的模型設計經驗，可以進一(yī)步将模型模塊化，并建立一(yī)個(gè)模型搜索空間，通(tōng)過增強學習，在搜索空間中尋找與自(zì)身問題更匹配的針對性模型，這個(gè)模型可以被理解成各種網絡的網絡、模型的模型，分散到(dào)聚合，繁複到(dào)簡約，專業(yè)到(dào)大衆，将使得人工(gōng)智能(néng)遙感真正成為(wèi)可以被廣泛深度使用，解決現實複雜(zá)業(yè)務問題，進而開(kāi)拓嶄新應用場景，産生(shēng)巨大經濟價值與社會(huì)效益的新型技(jì)術(shù)手段。
本文轉載自(zì)商湯科技(jì)SenseTime
