新(xīn)基建成為(wèi)科(kē)技(jì )領域的焦點話題。作(zuò)為(wèi)新(xīn)基建的重要内容，人工(gōng)智能(néng)的發展愈發受到人們關注，不過與基礎設施相比，人工(gōng)智能(néng)很(hěn)難将其具(jù)象化而出。但伴随圖像處理(lǐ)技(jì )術、光學(xué)成像技(jì )術、傳感器技(jì )術等的發展，以及算法的不斷優化，使人工(gōng)智能(néng)的兩大分(fēn)支（自然語言處理(lǐ)與機器視覺）擁有(yǒu)了感知物(wù)理(lǐ)世界的能(néng)力，作(zuò)為(wèi)圖像圖形領域中(zhōng)的重點内容之一，遙感應用(yòng)行業也站在了産(chǎn)業智能(néng)化的風口。

圖來源網絡

1950年，科(kē)學(xué)家Alan Turing提出使用(yòng)機器僞裝(zhuāng)人類對話的能(néng)力來衡量機器的智能(néng)水平，掀起了人工(gōng)智能(néng)（Artificial Intelligence，AI）的浪潮。概括而言，AI是研究、開發用(yòng)于模拟、延伸和擴展人的智能(néng)的理(lǐ)論、方法、技(jì )術及應用(yòng)系統的一門新(xīn)技(jì )術科(kē)學(xué)，涉及到數學(xué)、語言學(xué)、神經科(kē)學(xué)、心理(lǐ)學(xué)、物(wù)理(lǐ)學(xué)、認知科(kē)學(xué)、計算機科(kē)學(xué)等學(xué)科(kē)。黨的十八大以來，黨和國(guó)家高度重視和大力扶持新(xīn)一代信息技(jì )術發展，移動互聯網、雲計算、大數據、物(wù)聯網等技(jì )術加速交叉融合發展，有(yǒu)效地推動人工(gōng)智能(néng)技(jì )術快速成熟、産(chǎn)業快速發展和經濟社會領域廣泛應用(yòng)。2021年3月5日，“十四五規劃”和2035年遠(yuǎn)景目标綱要草(cǎo)案提請十三屆全國(guó)人大四次會議審查。其中(zhōng)，将新(xīn)一代人工(gōng)智能(néng)中(zhōng)的“前沿基礎理(lǐ)論突破、專用(yòng)芯片研發、深度學(xué)習框架等開源算法平台構建、學(xué)習推理(lǐ)與決策、圖像圖形、語音視頻、自然語言識别處理(lǐ)等領域的創新(xīn)”作(zuò)為(wèi)了一項需要重點突破的科(kē)技(jì )前沿領域。作(zuò)為(wèi)圖像圖形領域中(zhōng)的重點内容之一，遙感應用(yòng)行業站在了産(chǎn)業智能(néng)化的風口，AI與大數據技(jì )術賦能(néng)于遙感應用(yòng)，也成為(wèi)了行業以及學(xué)術界廣泛關注和研究的課題，而如何利用(yòng)人工(gōng)智能(néng)手段輔助挖掘這些豐富的信息也成為(wèi)了遙感圖像分(fēn)析與理(lǐ)解的重要内容。

以深度學(xué)習為(wèi)主要應用(yòng)的AI技(jì )術為(wèi)遙感影像解譯提供了新(xīn)的方法，适用(yòng)于遙感大數據的自動化處理(lǐ)和數據挖掘，其能(néng)夠深度地挖掘遙感影像中(zhōng)的有(yǒu)效信息，從而快速賦能(néng)于行業應用(yòng)。人工(gōng)智能(néng)發展的三要素包括算力、算法和數據，而深度學(xué)習本質(zhì)上是采用(yòng)監督學(xué)習的方式，通過大量樣本數據來學(xué)習目标的本質(zhì)特征，并據此對未知數據進行預測判别，其基礎性的研究主要分(fēn)為(wèi)兩大方面，一方面是樣本庫的設計與标注，另一方面是網絡結構與模型設計。

（1）最大最小(xiǎo)範圍原則：标注的目标區(qū)域要盡量大到包含目标區(qū)域的邊界，但也要小(xiǎo)到除了目标區(qū)域邊界外，不包含其它物(wù)體(tǐ)特征；

（2）甯無不錯的原則：錯誤的标簽對于模型訓練的過程是很(hěn)大的擾動，會導緻模型訓練難以收斂，最終導緻模型的泛化性極差、難以拟合等問題；

（3）所标即所見原則：标注過程中(zhōng)隻标注從視覺上确定的目标物(wù)體(tǐ)，對于有(yǒu)遮擋或者無法分(fēn)辨的地物(wù)不進行标注，也即是不添加主觀想象力和先驗知識。

在具(jù)體(tǐ)的遙感影像應用(yòng)上，由于受到尺度效應、成像條件、地表場景等衆多(duō)因素的影響，使得遙感圖像包含了分(fēn)布複雜的多(duō)種地物(wù)類型。在建立遙感圖像樣本庫時，學(xué)者們提出了不僅需要考慮更多(duō)的地物(wù)屬性特征，既标注單一地物(wù)，也應标注其特征的存在背景和關聯數據，也即是構建面向對象的遙感知識庫，為(wèi)深度學(xué)習模型提供包括基礎圖形、對應的屬性類别、位置信息以及地物(wù)對象的物(wù)理(lǐ)和社會特征等輔助信息。目前，研究者們已經構建了大量用(yòng)于目标探測和圖像分(fēn)類的标記樣本庫，如針對車(chē)輛識别的TAS數據集（圖像數30，圖像大小(xiǎo)792×636）、OIRDS數據集（圖像數900，圖像大小(xiǎo)256~640×256~640）、DLR 3K Vehicle（圖像數20，圖像大小(xiǎo)5616×3744）；針對飛機識别的UCAS-AOD數據集（圖像數1510，圖像大小(xiǎo)1280×659）；針對建築物(wù)識别的SZTAKI-INRIA數據集（圖像數9，圖像大小(xiǎo)800×800）；針對船隻識别的HRSC2016數據集（圖像數1070，圖像大小(xiǎo)>1000×600）；針對多(duō)種地物(wù)提取的NWPUVHR-10數據集（圖像數800，圖像大小(xiǎo)1000×1000）、VEDAI數據集（圖像數1210，圖像大小(xiǎo)1024×1024）、ROSD數據集（圖像數976，圖像大小(xiǎo)1280×1280）以及DOTA-v1.5數據集（圖像數2806，圖像大小(xiǎo)800~4000×800~4000）等。

表1 不同深度學(xué)習方法的特征比較

1998年，Lecun總結完善了經典卷積神經網絡在手寫體(tǐ)數字識别中(zhōng)的應用(yòng)，作(zuò)為(wèi)深度學(xué)習方法中(zhōng)的典型代表，CNN可(kě)以接受圖像作(zuò)為(wèi)輸入數據，避免了傳統識别算法中(zhōng)複雜的特征提取和數據重建過程。此外，CNN采用(yòng)卷積和權值共享訓練策略，極大地降低了模型複雜度，節省了訓練開支，且能(néng)夠識别圖像的空間特征。更重要的是，CNN具(jù)有(yǒu)局部連接和空間下采樣特點，使得CNN具(jù)有(yǒu)一定的平移、尺度和扭曲不變性，被廣泛的應用(yòng)于圖像的目标識别和分(fēn)類中(zhōng)。CNN模型通常由卷積層、池化層和全連接層組合而成：

（1）卷積層。卷積層是CNN的核心，目的是對輸入數據進行特征提取。在卷積層中(zhōng)，使用(yòng)一組濾波器（即卷積核），與前一層中(zhōng)位置鄰接區(qū)域内的元素進行卷積操作(zuò)，并使用(yòng)非線(xiàn)性激活函數進行映射，獲取圖像的卷積特征；

（2）池化層。在卷積層進行特征提取後，采用(yòng)空間池化方法對卷積特征圖進行下采樣，用(yòng)于特征選擇和空間降維。池化層可(kě)以有(yǒu)效地降低模型複雜度，節省計算成本。常用(yòng)的池化方法包括極大值池化和均值池化；

（3）全連接層。全連接層是将當前網絡層中(zhōng)的每個節點與上一層的所有(yǒu)節點相連，可(kě)以整合卷積層或者池化層中(zhōng)提取到的特征。

2012年，Hinton研究組構建了深度學(xué)習模型AlexNet并在ImageNet圖像識别中(zhōng)一舉奪冠，其采用(yòng)ReLU激活函數，從根本上解決了梯度消失問題，并采用(yòng)GPU極大的提高了模型的運算速度。在此後的幾年中(zhōng)，分(fēn)别湧現出了諸如VGGNet、ResNet、GooleNet、MobileNet、DenseNet等特征自動提取網絡，并且在數據集測試上獲得了優秀的提取結果。近年來，深度學(xué)習網絡模型不斷完善，在圖像識别和信息提取方面取得了突破性進展，在很(hěn)多(duō)任務(wù)上的精(jīng)度已然超過人工(gōng)識别精(jīng)度。深度學(xué)習在計算機視覺領域的巨大成功為(wèi)遙感大數據信息智能(néng)提取提供了重要機遇，然而，遙感影像具(jù)有(yǒu)其專業化特征，如遙感影像中(zhōng)的目标存在方向任意性、尺度多(duō)樣性、幾何形變和密集排列等特點，因此要求基于CNN模型的改進能(néng)夠結合遙感圖像目标的特點，有(yǒu)效地實現目标檢測。遙感學(xué)界的學(xué)者和從業者也對不同的深度學(xué)習模型進行了修改，将其應用(yòng)于遙感影像解譯中(zhōng)。例如，針對遙感圖像目标方向的不确定性，可(kě)以提取旋轉不變特征實現水平框目标檢測，也可(kě)以設計能(néng)夠準确識别目标角度的方法來實現有(yǒu)向邊框目标檢測；針對目标的尺度差異性，采用(yòng)多(duō)尺度方法對網絡結構進行改進，實現多(duō)尺度目标檢測；針對遙感目标的密集排列問題，采用(yòng)自适應方法，實現密集目标檢測。此外，針對遙感影像存在紋理(lǐ)特征複雜的特點，為(wèi)提高分(fēn)類精(jīng)度，現有(yǒu)研究通常基于兩個方向：一方面通過增加網絡層數，訓練更深的神經網絡來提取深層次的的語義信息；另一方面則采用(yòng)結合更高效模塊提高網絡的特征提取能(néng)力。深度學(xué)習模型在遙感影像解譯中(zhōng)已經産(chǎn)生了大量的應用(yòng)并獲得了優秀的解譯效果，其具(jù)有(yǒu)以下優勢：不需要人工(gōng)設計特征，具(jù)有(yǒu)很(hěn)強的特征學(xué)習和表達能(néng)力，可(kě)以直接從數據中(zhōng)學(xué)習更加抽象且含有(yǒu)語義信息的高層特征，模型預測性能(néng)高，具(jù)有(yǒu)較好的遷移學(xué)習能(néng)力。

圖1 影像智能(néng)解譯閉環鏈路

在功能(néng)上，中(zhōng)科(kē)北緯公(gōng)司開發的天樞遙感智能(néng)視覺平台采用(yòng)B/S結構開發，面向非專業化用(yòng)戶設計了友好的操作(zuò)界面，提供了針對遙感數據的三大功能(néng)模塊：斜框檢測、地塊分(fēn)割和變化檢測，如圖2所示。該平台構建了一體(tǐ)化的遙感影像特征自動提取流程，包括遙感影像預處理(lǐ)、模型訓練、模型下發和使用(yòng)、精(jīng)度評價、結果後處理(lǐ)等過程。在常規任務(wù)上，如建築物(wù)、水體(tǐ)、道路等特征的提取以及變化檢測，無需用(yòng)戶過多(duō)幹預，模型能(néng)夠輸出高精(jīng)度的地物(wù)提取結果；此外，産(chǎn)品具(jù)有(yǒu)可(kě)擴展性，也即是用(yòng)戶可(kě)以按需訓練适應特定場景的模型，可(kě)用(yòng)于不同尺度、不同分(fēn)辨率、不同時期的遙感影像特征的提取及變化檢測。

圖2 遙感智能(néng)視覺平台界面

可(kě)以預見，算法、算力和海量數據的沉澱使得AI與遙感應用(yòng)的結合正當時。“可(kě)感知、能(néng)學(xué)習、易擴展” 的遙感解譯平台，能(néng)夠實現多(duō)源影像數據中(zhōng)的變化特征及建築、林地、水域、道路、農作(zuò)物(wù)等多(duō)種目标信息的智能(néng)化解譯，一定會受到泛在自然資源應用(yòng)和管理(lǐ)的歡迎。

未來十年，遙感是否可(kě)以深刻地影響社會發展，切實解決了生産(chǎn)生活中(zhōng)的問題，兼具(jù)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(yòng)。科(kē)技(jì )進步給人類帶來的不止是效率的提升、生活質(zhì)量的改善，更将為(wèi)人類帶來别樣的認識世界的方式和視角。當腳下的地球被源源不斷地讀取進計算中(zhōng)心，一個全新(xīn)的認知維度緩緩在我們面前展開，迎來新(xīn)一輪的技(jì )術革新(xīn)。人工(gōng)智能(néng)技(jì )術的出現，恰逢其時，正如吳一戎院士所說，将AI賦能(néng)遙感技(jì )術，貫穿海量多(duō)源異構數據從處理(lǐ)分(fēn)析到共享應用(yòng)的全鏈路，将能(néng)夠大幅度縮短遙感圖像的解譯周期，催生一些新(xīn)的遙感應用(yòng)，并促進遙感數據服務(wù)模式的變革，從而共創遙感新(xīn)時代。

圖文(wén) / 嶽漢秋