人(rén)工智能的(de)發展給測繪遙感帶來(lái)怎樣的(de)新機遇？

發布日期：2018-12-25 00:00 浏覽量：13685

無論在學術界、産業界或是公衆生活中，人(rén)工智能都稱得(de)上當前最熱(rè)門的(de)一個(gè)話(huà)題，也(yě)是目前發展最快(kuài)的(de)一個(gè)領域。自2013年始，以深度學習(xí)爲代表的(de)神經網絡算(suàn)法爲核心，在大(dà)數據和(hé)圖形處理(lǐ)器(gra- phics processing unit, GPU)大(dà)規模應用(yòng)的(de)推動下(xià)，在語音(yīn)識别、圖像識别領域達到甚至超過了(le)人(rén)類平均水(shuǐ)平，迎來(lái)了(le)人(rén)工智能研究的(de)第三次高(gāo)潮。

人(rén)工智能的(de)迅速發展對(duì)各行各業将造成巨大(dà)沖擊，許多(duō)行業可(kě)能在這(zhè)場(chǎng)變革中消失，一些行業将獲得(de)大(dà)發展。測繪遙感是一個(gè)與人(rén)工智能關聯密切的(de)領域，在這(zhè)樣的(de)背景下(xià)既有發展的(de)機遇，也(yě)面臨很大(dà)的(de)危機。

人(rén)工智能可(kě)以分(fēn)成6個(gè)研究方向：

①機器視覺，包括三維重建、模式識别、圖像理(lǐ)解等;

②語言理(lǐ)解與交流，包括語音(yīn)識别、合成，人(rén)機對(duì)話(huà)交流，機器翻譯等;

③機器人(rén)學，包括機械、控制、設計、運動規劃、任務規劃等;

④認知與推理(lǐ)，包含各種物(wù)理(lǐ)和(hé)社會常識的(de)認知與推理(lǐ);

⑤博弈與倫理(lǐ)，包括多(duō)代理(lǐ)人(rén)(agents)的(de)交互、對(duì)抗與合作，機器人(rén)與社會融合等;

⑥機器學習(xí)，包括各種統計的(de)建模、分(fēn)析工具和(hé)計算(suàn)方法等。

當一個(gè)智能體具備以上6個(gè)方面的(de)智能時(shí)，就可(kě)能進入到強智能時(shí)代。人(rén)工智能的(de)發展過程中許多(duō)衍生的(de)技術是可(kě)以用(yòng)于其他(tā)領域的(de)，并且有可(kě)能推動其他(tā)領域的(de)技術變革。

測繪遙感是一個(gè)與人(rén)工智能密切相關的(de)學科領域。攝影(yǐng)測量與遙感和(hé)機器視覺有許多(duō)概念、原理(lǐ)、理(lǐ)論、方法與技術上的(de)重疊，它們都是用(yòng)來(lái)感知環境的(de)技術;其區(qū)别是攝影(yǐng)測量與遙感主要是感知地球和(hé)自然環境，而機器視覺主要是感知智能體關注的(de)目标和(hé)環境，但是它們在數學和(hé)物(wù)理(lǐ)上的(de)原理(lǐ)基本相同。機器學習(xí)，特别是最近幾年快(kuài)速發展的(de)深度學習(xí)方法，在機器視覺、模式識别、語音(yīn)理(lǐ)解等方面得(de)到廣泛有效的(de)應用(yòng)，可(kě)說是一個(gè)革命性的(de)技術，在攝影(yǐng)測量與遙感領域也(yě)得(de)到廣泛應用(yòng)。認知與推理(lǐ)是一種更廣義的(de)智能，在時(shí)空大(dà)數據挖掘和(hé)智慧城(chéng)市等方面将大(dà)有用(yòng)武之地。

機器視覺在攝影(yǐng)測量與遙感領域的(de)應用(yòng)

機器視覺或者稱計算(suàn)機視覺，是一門研究用(yòng)攝影(yǐng)機和(hé)電腦(nǎo)代替人(rén)眼對(duì)目标進行識别、跟蹤和(hé)測量等的(de)學科。與計算(suàn)機視覺相似，攝影(yǐng)測量學是一門利用(yòng)光(guāng)學像片研究被攝物(wù)體的(de)形狀、位置、大(dà)小、特性及相互位置關系的(de)學科，簡而言之，攝影(yǐng)測量學是以攝影(yǐng)爲工具，以測量爲目的(de)。事實上，攝影(yǐng)測量學的(de)曆史遠(yuǎn)早于計算(suàn)機視覺。

攝影(yǐng)測量與計算(suàn)機視覺在原理(lǐ)、方法和(hé)應用(yòng)上都有很多(duō)相通(tōng)的(de)地方。在進入21世紀後，兩者的(de)融合速度又得(de)到進一步提升，它們之間的(de)技術交叉點是無人(rén)機和(hé)車載移動平台。攝影(yǐng)測量的(de)一個(gè)重要發展方向是地面移動測量系統，它可(kě)以用(yòng)來(lái)采集道路和(hé)街(jiē)景;而計算(suàn)機視覺同樣關注道路信息的(de)提取與重建，并應用(yòng)于機器人(rén)、城(chéng)市地圖、智能交通(tōng)和(hé)自動駕駛汽車中。同時(shí)，無人(rén)機航攝技術除了(le)是攝影(yǐng)測量中的(de)一個(gè)方便快(kuài)捷的(de)測量技術，也(yě)是計算(suàn)機視覺所關注的(de)未來(lái)焦點。

　　由于計算(suàn)機視覺領域研究學者雲集，應用(yòng)領域又很廣泛，發展了(le)大(dà)量新理(lǐ)論和(hé)新方法。攝影(yǐng)測量工作者應在這(zhè)場(chǎng)技術變革中擁抱新技術，學會跨界融合，并發揮自己的(de)優勢，貢獻自己的(de)智慧，方能使自己的(de)學科立于不敗之地，同時(shí)與其他(tā)學科一起推動智能科學的(de)發展。

　　爲了(le)促進測繪遙感學科與計算(suàn)機視覺的(de)交叉融合，緊跟人(rén)工智能領域的(de)技術潮流，國内學者組織了(le)專門的(de)人(rén)工智能研究團隊，積極行動。

機器學習(xí)及其在攝影(yǐng)測量與遙感領域的(de)應用(yòng)

當前人(rén)工智能發展的(de)一個(gè)重要方向是機器學習(xí)。從1955年John McCarthy提出人(rén)工智能的(de)概念以來(lái)，機器學習(xí)就作爲人(rén)工智能的(de)一個(gè)重要方向。基于統計學習(xí)的(de)思想不僅長(cháng)期應用(yòng)于機器學習(xí)，在攝影(yǐng)測量與遙感領域也(yě)得(de)到廣泛應用(yòng)，如監督和(hé)非監督目标識别與分(fēn)類方法。基于傳統統計學習(xí)的(de)遙感影(yǐng)像的(de)監督與非監督分(fēn)類以及經典的(de)神經元網絡方法的(de)研究進展一直很慢(màn)，目标識别的(de)準确度和(hé)分(fēn)類精度難以大(dà)幅提高(gāo)，機器學習(xí)有效地改變了(le)這(zhè)一現狀。

随後的(de)大(dà)量實驗表明(míng)，無論在圖像分(fēn)類、物(wù)體識别、語音(yīn)識别、遙感應用(yòng)等關于學習(xí)和(hé)語義的(de)研究領域，深度學習(xí)都占據上風，深度學習(xí)的(de)時(shí)代由此開啓。深度學習(xí)在計算(suàn)機視覺領域得(de)到廣泛應用(yòng)，推動了(le)人(rén)臉識别、機器人(rén)和(hé)無人(rén)駕駛車等相關技術的(de)蓬勃發展。由于攝影(yǐng)測量的(de)研究對(duì)象也(yě)是視覺圖像，因此攝影(yǐng)測量也(yě)成爲深度學習(xí)發展最受益的(de)學科之一。

攝影(yǐng)測量的(de)兩個(gè)主要任務是目标幾何定位和(hé)屬性的(de)提取，包括從二維像片重建三維幾何以及地物(wù)要素分(fēn)類。将深度學習(xí)應用(yòng)于幾何定位目前還(hái)未進入攝影(yǐng)測量研究領域，但已經出現在密切相關的(de)計算(suàn)機視覺領域，如SfM與SLAM。然而，深度學習(xí)方法的(de)定位精度目前尚不能同傳統的(de)方法相比，約相差一個(gè)數量級。對(duì)于三維重建中的(de)關鍵技術——密集匹配，深度學習(xí)已經取得(de)很好的(de)應用(yòng)效果。如在KITTI等标準數據集上，前10名的(de)方法都是深度學習(xí)方法，展現了(le)深度學習(xí)方法的(de)應用(yòng)潛力。

深度學習(xí)在攝影(yǐng)測量領域的(de)另一個(gè)主要任務，即影(yǐng)像的(de)語義提取方面，則取得(de)了(le)重要進展，并開始普及應用(yòng)。基于圖像的(de)建築、道路網等地物(wù)的(de)提取數十年來(lái)一直是熱(rè)門課題。雖然經典方法取得(de)一定的(de)效果，但距離實用(yòng)、市場(chǎng)、商業軟件尚有一定的(de)距離。卷積神經網絡(convolutional neural network, CNN)目前已成爲道路網提取的(de)主流方法。通(tōng)過級聯式端到端CNN同時(shí)實現了(le)道路網提取及道路中心線提取，與其他(tā)方法比較，分(fēn)類精度更高(gāo)。通(tōng)過CNN結合線積分(fēn)卷積克服了(le)樹木(mù)遮蔽、房(fáng)屋陰影(yǐng)造成的(de)道路網殘缺問題。通(tōng)過非監督學習(xí)預處理(lǐ)和(hé)空間相關性的(de)應用(yòng)，利用(yòng)深度學習(xí)極大(dà)地提高(gāo)了(le)複雜(zá)城(chéng)市場(chǎng)景的(de)道路提取精度。采用(yòng)CNN實現了(le)高(gāo)分(fēn)辨率多(duō)光(guāng)譜衛星影(yǐng)像的(de)建築物(wù)提取。在影(yǐng)像平面上進行二維卷積，在光(guāng)譜方向上進行一維卷積，分(fēn)别提取出影(yǐng)像空間特征和(hé)光(guāng)譜特征，取得(de)了(le)比随機森林(lín)和(hé)全連接NLP更好的(de)作物(wù)分(fēn)類精度。肖志鋒等使用(yòng)深度學習(xí)方法對(duì)天地圖上的(de)高(gāo)分(fēn)辨率遙感影(yǐng)像進行語義檢索，能夠檢索37類地物(wù)目标，準确率達90%以上。目前，深度學習(xí)已經廣泛用(yòng)于遙感圖像的(de)分(fēn)類、識别、檢索和(hé)提取，在語義上基本全面碾壓了(le)傳統的(de)方法。

基于深度學習(xí)的(de)方法除了(le)可(kě)有效地用(yòng)于遙感影(yǐng)像的(de)地物(wù)分(fēn)類與目标檢索以外，在其他(tā)攝影(yǐng)測量與遙感數據處理(lǐ)方面也(yě)有廣泛用(yòng)途。例如，胡翔雲等采用(yòng)深度學習(xí)方法進行激光(guāng)雷達(light detection and ranging, LiDAR)點雲數據處理(lǐ)。山地林(lín)區(qū)的(de)點雲數據濾波，從點雲數據提取數字高(gāo)程模型，自動化(huà)很難實現，一般需要人(rén)機交互作業，耗費大(dà)量人(rén)力物(wù)力。

圖所示爲廣東某地的(de)點雲提取的(de)地形斷面，可(kě)以看出，該地區(qū)相當複雜(zá)，但是用(yòng)深度學習(xí)獲取的(de)地面模型斷面還(hái)是相當準确的(de)(紅色曲線)。這(zhè)說明(míng)深度學習(xí)方法在點雲數據自動處理(lǐ)方面有很好的(de)應用(yòng)前景。同理(lǐ)，深度學習(xí)方法在測繪領域的(de)其他(tā)方面，特别是需要人(rén)機交互數據處理(lǐ)等方面，如影(yǐng)像變化(huà)檢測、地圖綜合，也(yě)将發揮重要作用(yòng)，使之更加智能化(huà)和(hé)自動化(huà)。

點雲數據提取的(de)地形斷面.png

基于時(shí)空大(dà)數據認知與推理(lǐ)

經過幾十年的(de)發展，地理(lǐ)信息系統已經有了(le)比較完善的(de)空間分(fēn)析理(lǐ)論與方法體系。但是，加入了(le)傳感網和(hé)社會感知設備的(de)時(shí)空數據分(fēn)析與挖掘的(de)理(lǐ)論與方法還(hái)不夠成熟，目前正處于快(kuài)速發展之中。

時(shí)空數據可(kě)分(fēn)爲兩類不同類型，一類來(lái)自測繪遙感及地面傳感網的(de)反映地球表層及環境特征的(de)時(shí)空數據;另一類是來(lái)自社會感知設備，包括互聯網、智能手機、導航設備、可(kě)穿戴設備、視頻(pín)監控設備以及社會調查獲取的(de)時(shí)空數據，它主要反映人(rén)爲活動及社會經濟形态特征。

第一類數據比較規範，适于數值分(fēn)析與計算(suàn)，所以通(tōng)常采用(yòng)數學模型來(lái)進行模拟及預測分(fēn)析。例如，陳能成等采用(yòng)航空航天遙感與傳感網集成技術建立了(le)長(cháng)江流域對(duì)地觀測傳感網系統，該系統除包含航空航天遙感數據、基礎地理(lǐ)信息數據以外，還(hái)包含了(le)氣象、水(shuǐ)文、航标、土壤濕度等32種共上萬個(gè)地面傳感網實時(shí)數據。通(tōng)過這(zhè)些實時(shí)動态數據，能對(duì)流域内的(de)水(shuǐ)庫和(hé)河(hé)流的(de)水(shuǐ)位、水(shuǐ)量、泥沙、河(hé)道進行分(fēn)析和(hé)預測，實現水(shuǐ)利的(de)智能調度，爲蓄水(shuǐ)發電和(hé)防洪抗旱等提供決策支持。

來(lái)自社會感知設備的(de)時(shí)空數據是一種新型數據，它的(de)結構和(hé)形式更加多(duō)樣。例如互聯網數據主要以多(duō)媒體的(de)文本數據爲主，導航軌迹數據是流式的(de)點坐(zuò)标數據，視頻(pín)監控數據是圖像數據，而智能手機數據則有文本、點坐(zuò)标和(hé)圖像等多(duō)種數據。這(zhè)些數據複雜(zá)多(duō)樣，有些時(shí)空标簽明(míng)顯，有些則需要經過分(fēn)析處理(lǐ)才能添加時(shí)空标簽。目前多(duō)個(gè)領域的(de)學者，包括計算(suàn)機應用(yòng)、測繪遙感、地理(lǐ)信息科學、城(chéng)市規劃與管理(lǐ)等，都對(duì)社會感知的(de)時(shí)空數據感興趣，認爲該數據是社會科學與信息領域交叉的(de)新興學科，是建設智能城(chéng)市和(hé)智慧社區(qū)的(de)有效手段。

人(rén)工智能正在掀起一場(chǎng)技術革命和(hé)産業革命，測繪遙感既是人(rén)工智能技術的(de)受益者，又是人(rén)工智能技術的(de)貢獻者。攝影(yǐng)測量從靜态走向動态與實時(shí)，并将與計算(suàn)機視覺深度融合;遙感應用(yòng)人(rén)工智能技術解決影(yǐng)像解譯、信息自動提取問題;互聯網、物(wù)聯網、傳感網獲取的(de)海量時(shí)空數據是人(rén)工智能的(de)血液，爲機器學習(xí)、智能抉擇與服務提供支撐。

面對(duì)人(rén)工智能的(de)迅猛發展，攝影(yǐng)測量工作者是僅跟蹤應用(yòng)計算(suàn)機視覺成果，還(hái)是主動作爲;是僅應用(yòng)現有的(de)深度學習(xí)方法，還(hái)是構建新的(de)遙感深度學習(xí)網絡;社會感知信息如何與測繪遙感信息融合用(yòng)于揭示自然物(wù)理(lǐ)空間發展和(hé)人(rén)類社會行爲及活動規律，發展更高(gāo)級更複雜(zá)的(de)人(rén)工智能;這(zhè)些是測繪遙感工作者面臨的(de)新任務和(hé)新挑戰。