人工智能的發(fā)展給測繪遙感帶來怎樣的新機遇？

發(fā)布日期：2018-12-25 00:00 瀏覽量：15908

無論在學(xué)術(shù)界、產(chǎn)業(yè)界或是公眾生活中，人工智能都稱得上當(dāng)前最熱門的一個話題，也是目前發(fā)展最快的一個領(lǐng)域。自2013年始，以深度學(xué)習(xí)為代表的神經(jīng)網(wǎng)絡(luò)算法為核心，在大數(shù)據(jù)和圖形處理器(gra- phics processing unit, GPU)大規(guī)模應(yīng)用的推動下，在語音識別、圖像識別領(lǐng)域達到甚至超過了人類平均水平，迎來了人工智能研究的第三次高潮。

人工智能的迅速發(fā)展對各行各業(yè)將造成巨大沖擊，許多行業(yè)可能在這場變革中消失，一些行業(yè)將獲得大發(fā)展。測繪遙感是一個與人工智能關(guān)聯(lián)密切的領(lǐng)域，在這樣的背景下既有發(fā)展的機遇，也面臨很大的危機。

人工智能可以分成6個研究方向：

①機器視覺，包括三維重建、模式識別、圖像理解等;

②語言理解與交流，包括語音識別、合成，人機對話交流，機器翻譯等;

③機器人學(xué)，包括機械、控制、設(shè)計、運動規(guī)劃、任務(wù)規(guī)劃等;

④認(rèn)知與推理，包含各種物理和社會常識的認(rèn)知與推理;

⑤博弈與倫理，包括多代理人(agents)的交互、對抗與合作，機器人與社會融合等;

⑥機器學(xué)習(xí)，包括各種統(tǒng)計的建模、分析工具和計算方法等。

當(dāng)一個智能體具備以上6個方面的智能時，就可能進入到強智能時代。人工智能的發(fā)展過程中許多衍生的技術(shù)是可以用于其他領(lǐng)域的，并且有可能推動其他領(lǐng)域的技術(shù)變革。

測繪遙感是一個與人工智能密切相關(guān)的學(xué)科領(lǐng)域。攝影測量與遙感和機器視覺有許多概念、原理、理論、方法與技術(shù)上的重疊，它們都是用來感知環(huán)境的技術(shù);其區(qū)別是攝影測量與遙感主要是感知地球和自然環(huán)境，而機器視覺主要是感知智能體關(guān)注的目標(biāo)和環(huán)境，但是它們在數(shù)學(xué)和物理上的原理基本相同。機器學(xué)習(xí)，特別是最近幾年快速發(fā)展的深度學(xué)習(xí)方法，在機器視覺、模式識別、語音理解等方面得到廣泛有效的應(yīng)用，可說是一個革命性的技術(shù)，在攝影測量與遙感領(lǐng)域也得到廣泛應(yīng)用。認(rèn)知與推理是一種更廣義的智能，在時空大數(shù)據(jù)挖掘和智慧城市等方面將大有用武之地。

機器視覺在攝影測量與遙感領(lǐng)域的應(yīng)用

機器視覺或者稱計算機視覺，是一門研究用攝影機和電腦代替人眼對目標(biāo)進行識別、跟蹤和測量等的學(xué)科。與計算機視覺相似，攝影測量學(xué)是一門利用光學(xué)像片研究被攝物體的形狀、位置、大小、特性及相互位置關(guān)系的學(xué)科，簡而言之，攝影測量學(xué)是以攝影為工具，以測量為目的。事實上，攝影測量學(xué)的歷史遠(yuǎn)早于計算機視覺。

攝影測量與計算機視覺在原理、方法和應(yīng)用上都有很多相通的地方。在進入21世紀(jì)后，兩者的融合速度又得到進一步提升，它們之間的技術(shù)交叉點是無人機和車載移動平臺。攝影測量的一個重要發(fā)展方向是地面移動測量系統(tǒng)，它可以用來采集道路和街景;而計算機視覺同樣關(guān)注道路信息的提取與重建，并應(yīng)用于機器人、城市地圖、智能交通和自動駕駛汽車中。同時，無人機航攝技術(shù)除了是攝影測量中的一個方便快捷的測量技術(shù)，也是計算機視覺所關(guān)注的未來焦點。

　　由于計算機視覺領(lǐng)域研究學(xué)者云集，應(yīng)用領(lǐng)域又很廣泛，發(fā)展了大量新理論和新方法。攝影測量工作者應(yīng)在這場技術(shù)變革中擁抱新技術(shù)，學(xué)會跨界融合，并發(fā)揮自己的優(yōu)勢，貢獻自己的智慧，方能使自己的學(xué)科立于不敗之地，同時與其他學(xué)科一起推動智能科學(xué)的發(fā)展。

　　為了促進測繪遙感學(xué)科與計算機視覺的交叉融合，緊跟人工智能領(lǐng)域的技術(shù)潮流，國內(nèi)學(xué)者組織了專門的人工智能研究團隊，積極行動。

機器學(xué)習(xí)及其在攝影測量與遙感領(lǐng)域的應(yīng)用

當(dāng)前人工智能發(fā)展的一個重要方向是機器學(xué)習(xí)。從1955年John McCarthy提出人工智能的概念以來，機器學(xué)習(xí)就作為人工智能的一個重要方向?；诮y(tǒng)計學(xué)習(xí)的思想不僅長期應(yīng)用于機器學(xué)習(xí)，在攝影測量與遙感領(lǐng)域也得到廣泛應(yīng)用，如監(jiān)督和非監(jiān)督目標(biāo)識別與分類方法?；趥鹘y(tǒng)統(tǒng)計學(xué)習(xí)的遙感影像的監(jiān)督與非監(jiān)督分類以及經(jīng)典的神經(jīng)元網(wǎng)絡(luò)方法的研究進展一直很慢，目標(biāo)識別的準(zhǔn)確度和分類精度難以大幅提高，機器學(xué)習(xí)有效地改變了這一現(xiàn)狀。

隨后的大量實驗表明，無論在圖像分類、物體識別、語音識別、遙感應(yīng)用等關(guān)于學(xué)習(xí)和語義的研究領(lǐng)域，深度學(xué)習(xí)都占據(jù)上風(fēng)，深度學(xué)習(xí)的時代由此開啟。深度學(xué)習(xí)在計算機視覺領(lǐng)域得到廣泛應(yīng)用，推動了人臉識別、機器人和無人駕駛車等相關(guān)技術(shù)的蓬勃發(fā)展。由于攝影測量的研究對象也是視覺圖像，因此攝影測量也成為深度學(xué)習(xí)發(fā)展最受益的學(xué)科之一。

攝影測量的兩個主要任務(wù)是目標(biāo)幾何定位和屬性的提取，包括從二維像片重建三維幾何以及地物要素分類。將深度學(xué)習(xí)應(yīng)用于幾何定位目前還未進入攝影測量研究領(lǐng)域，但已經(jīng)出現(xiàn)在密切相關(guān)的計算機視覺領(lǐng)域，如SfM與SLAM。然而，深度學(xué)習(xí)方法的定位精度目前尚不能同傳統(tǒng)的方法相比，約相差一個數(shù)量級。對于三維重建中的關(guān)鍵技術(shù)——密集匹配，深度學(xué)習(xí)已經(jīng)取得很好的應(yīng)用效果。如在KITTI等標(biāo)準(zhǔn)數(shù)據(jù)集上，前10名的方法都是深度學(xué)習(xí)方法，展現(xiàn)了深度學(xué)習(xí)方法的應(yīng)用潛力。

深度學(xué)習(xí)在攝影測量領(lǐng)域的另一個主要任務(wù)，即影像的語義提取方面，則取得了重要進展，并開始普及應(yīng)用?；趫D像的建筑、道路網(wǎng)等地物的提取數(shù)十年來一直是熱門課題。雖然經(jīng)典方法取得一定的效果，但距離實用、市場、商業(yè)軟件尚有一定的距離。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)目前已成為道路網(wǎng)提取的主流方法。通過級聯(lián)式端到端CNN同時實現(xiàn)了道路網(wǎng)提取及道路中心線提取，與其他方法比較，分類精度更高。通過CNN結(jié)合線積分卷積克服了樹木遮蔽、房屋陰影造成的道路網(wǎng)殘缺問題。通過非監(jiān)督學(xué)習(xí)預(yù)處理和空間相關(guān)性的應(yīng)用，利用深度學(xué)習(xí)極大地提高了復(fù)雜城市場景的道路提取精度。采用CNN實現(xiàn)了高分辨率多光譜衛(wèi)星影像的建筑物提取。在影像平面上進行二維卷積，在光譜方向上進行一維卷積，分別提取出影像空間特征和光譜特征，取得了比隨機森林和全連接NLP更好的作物分類精度。肖志鋒等使用深度學(xué)習(xí)方法對天地圖上的高分辨率遙感影像進行語義檢索，能夠檢索37類地物目標(biāo)，準(zhǔn)確率達90%以上。目前，深度學(xué)習(xí)已經(jīng)廣泛用于遙感圖像的分類、識別、檢索和提取，在語義上基本全面碾壓了傳統(tǒng)的方法。

基于深度學(xué)習(xí)的方法除了可有效地用于遙感影像的地物分類與目標(biāo)檢索以外，在其他攝影測量與遙感數(shù)據(jù)處理方面也有廣泛用途。例如，胡翔云等采用深度學(xué)習(xí)方法進行激光雷達(light detection and ranging, LiDAR)點云數(shù)據(jù)處理。山地林區(qū)的點云數(shù)據(jù)濾波，從點云數(shù)據(jù)提取數(shù)字高程模型，自動化很難實現(xiàn)，一般需要人機交互作業(yè)，耗費大量人力物力。

圖所示為廣東某地的點云提取的地形斷面，可以看出，該地區(qū)相當(dāng)復(fù)雜，但是用深度學(xué)習(xí)獲取的地面模型斷面還是相當(dāng)準(zhǔn)確的(紅色曲線)。這說明深度學(xué)習(xí)方法在點云數(shù)據(jù)自動處理方面有很好的應(yīng)用前景。同理，深度學(xué)習(xí)方法在測繪領(lǐng)域的其他方面，特別是需要人機交互數(shù)據(jù)處理等方面，如影像變化檢測、地圖綜合，也將發(fā)揮重要作用，使之更加智能化和自動化。

點云數(shù)據(jù)提取的地形斷面.png

基于時空大數(shù)據(jù)認(rèn)知與推理

經(jīng)過幾十年的發(fā)展，地理信息系統(tǒng)已經(jīng)有了比較完善的空間分析理論與方法體系。但是，加入了傳感網(wǎng)和社會感知設(shè)備的時空數(shù)據(jù)分析與挖掘的理論與方法還不夠成熟，目前正處于快速發(fā)展之中。

時空數(shù)據(jù)可分為兩類不同類型，一類來自測繪遙感及地面?zhèn)鞲芯W(wǎng)的反映地球表層及環(huán)境特征的時空數(shù)據(jù);另一類是來自社會感知設(shè)備，包括互聯(lián)網(wǎng)、智能手機、導(dǎo)航設(shè)備、可穿戴設(shè)備、視頻監(jiān)控設(shè)備以及社會調(diào)查獲取的時空數(shù)據(jù)，它主要反映人為活動及社會經(jīng)濟形態(tài)特征。

第一類數(shù)據(jù)比較規(guī)范，適于數(shù)值分析與計算，所以通常采用數(shù)學(xué)模型來進行模擬及預(yù)測分析。例如，陳能成等采用航空航天遙感與傳感網(wǎng)集成技術(shù)建立了長江流域?qū)Φ赜^測傳感網(wǎng)系統(tǒng)，該系統(tǒng)除包含航空航天遙感數(shù)據(jù)、基礎(chǔ)地理信息數(shù)據(jù)以外，還包含了氣象、水文、航標(biāo)、土壤濕度等32種共上萬個地面?zhèn)鞲芯W(wǎng)實時數(shù)據(jù)。通過這些實時動態(tài)數(shù)據(jù)，能對流域內(nèi)的水庫和河流的水位、水量、泥沙、河道進行分析和預(yù)測，實現(xiàn)水利的智能調(diào)度，為蓄水發(fā)電和防洪抗旱等提供決策支持。

來自社會感知設(shè)備的時空數(shù)據(jù)是一種新型數(shù)據(jù)，它的結(jié)構(gòu)和形式更加多樣。例如互聯(lián)網(wǎng)數(shù)據(jù)主要以多媒體的文本數(shù)據(jù)為主，導(dǎo)航軌跡數(shù)據(jù)是流式的點坐標(biāo)數(shù)據(jù)，視頻監(jiān)控數(shù)據(jù)是圖像數(shù)據(jù)，而智能手機數(shù)據(jù)則有文本、點坐標(biāo)和圖像等多種數(shù)據(jù)。這些數(shù)據(jù)復(fù)雜多樣，有些時空標(biāo)簽明顯，有些則需要經(jīng)過分析處理才能添加時空標(biāo)簽。目前多個領(lǐng)域的學(xué)者，包括計算機應(yīng)用、測繪遙感、地理信息科學(xué)、城市規(guī)劃與管理等，都對社會感知的時空數(shù)據(jù)感興趣，認(rèn)為該數(shù)據(jù)是社會科學(xué)與信息領(lǐng)域交叉的新興學(xué)科，是建設(shè)智能城市和智慧社區(qū)的有效手段。

人工智能正在掀起一場技術(shù)革命和產(chǎn)業(yè)革命，測繪遙感既是人工智能技術(shù)的受益者，又是人工智能技術(shù)的貢獻者。攝影測量從靜態(tài)走向動態(tài)與實時，并將與計算機視覺深度融合;遙感應(yīng)用人工智能技術(shù)解決影像解譯、信息自動提取問題;互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感網(wǎng)獲取的海量時空數(shù)據(jù)是人工智能的血液，為機器學(xué)習(xí)、智能抉擇與服務(wù)提供支撐。

面對人工智能的迅猛發(fā)展，攝影測量工作者是僅跟蹤應(yīng)用計算機視覺成果，還是主動作為;是僅應(yīng)用現(xiàn)有的深度學(xué)習(xí)方法，還是構(gòu)建新的遙感深度學(xué)習(xí)網(wǎng)絡(luò);社會感知信息如何與測繪遙感信息融合用于揭示自然物理空間發(fā)展和人類社會行為及活動規(guī)律，發(fā)展更高級更復(fù)雜的人工智能;這些是測繪遙感工作者面臨的新任務(wù)和新挑戰(zhàn)。

版權(quán)聲明：文章來源于《武漢大學(xué)學(xué)報·信息科學(xué)版》2018年12期，第一作者：龔健雅, 博士, 教授, 中國科學(xué)院院士, 長期從事地理信息理論和攝影測量與遙感基礎(chǔ)研究。登載此文出于傳遞更多信息之目的，版權(quán)歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權(quán)益，請聯(lián)系我們。