人工智能的發(fā)展給測繪遙感帶來怎樣的新機(jī)遇？

發(fā)布日期：2018-12-25 00:00 瀏覽量：14429

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(gè)話題，也是目前發(fā)展最快的一個(gè)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(dòng)下，在語音識(shí)別、圖像識(shí)別領(lǐng)域達(dá)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(duì)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(gè)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(jī)遇，也面臨很大的危機(jī)。

人工智能可以分成6個(gè)研究方向：

①機(jī)器視覺，包括三維重建、模式識(shí)別、圖像理解等;

②語言理解與交流，包括語音識(shí)別、合成，人機(jī)對(duì)話交流，機(jī)器翻譯等;

③機(jī)器人學(xué)，包括機(jī)械、控制、設(shè)計(jì)、運(yùn)動(dòng)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(huì)常識(shí)的認(rèn)知與推理;

⑤博弈與倫理，包括多代理人(agents)的交互、對(duì)抗與合作，機(jī)器人與社會(huì)融合等;

⑥機(jī)器學(xué)習(xí)，包括各種統(tǒng)計(jì)的建模、分析工具和計(jì)算方法等。

當(dāng)一個(gè)智能體具備以上6個(gè)方面的智能時(shí)，就可能進(jìn)入到強(qiáng)智能時(shí)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(dòng)其他領(lǐng)域的技術(shù)變革。

測繪遙感是一個(gè)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(jī)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(jī)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?cè)跀?shù)學(xué)和物理上的原理基本相同。機(jī)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(jī)器視覺、模式識(shí)別、語音理解等方面得到廣泛有效的應(yīng)用，可說是一個(gè)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(shí)空大數(shù)據(jù)挖掘和智慧城市等方面將大有用武之地。

機(jī)器視覺在攝影測量與遙感領(lǐng)域的應(yīng)用

機(jī)器視覺或者稱計(jì)算機(jī)視覺，是一門研究用攝影機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測量等的學(xué)科。與計(jì)算機(jī)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(shí)上，攝影測量學(xué)的歷史遠(yuǎn)早于計(jì)算機(jī)視覺。

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

　　由于計(jì)算機(jī)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(huì)跨界融合，并發(fā)揮自己的優(yōu)勢，貢獻(xiàn)自己的智慧，方能使自己的學(xué)科立于不敗之地，同時(shí)與其他學(xué)科一起推動(dòng)智能科學(xué)的發(fā)展。

　　為了促進(jìn)測繪遙感學(xué)科與計(jì)算機(jī)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(tuán)隊(duì)，積極行動(dòng)。

機(jī)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(gè)重要方向是機(jī)器學(xué)習(xí)。從1955年John McCarthy提出人工智能的概念以來，機(jī)器學(xué)習(xí)就作為人工智能的一個(gè)重要方向?；诮y(tǒng)計(jì)學(xué)習(xí)的思想不僅長期應(yīng)用于機(jī)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(shí)別與分類方法?；趥鹘y(tǒng)統(tǒng)計(jì)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(jìn)展一直很慢，目標(biāo)識(shí)別的準(zhǔn)確度和分類精度難以大幅提高，機(jī)器學(xué)習(xí)有效地改變了這一現(xiàn)狀。

隨后的大量實(shí)驗(yàn)表明，無論在圖像分類、物體識(shí)別、語音識(shí)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(shí)代由此開啟。深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域得到廣泛應(yīng)用，推動(dòng)了人臉識(shí)別、機(jī)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(duì)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(gè)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(jìn)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(jì)算機(jī)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(gè)數(shù)量級(jí)。對(duì)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(gè)主要任務(wù)，即影像的語義提取方面，則取得了重要進(jìn)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(shí)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(jí)聯(lián)式端到端CNN同時(shí)實(shí)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(shí)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(jìn)行二維卷積，在光譜方向上進(jìn)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(jī)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(duì)天地圖上的高分辨率遙感影像進(jìn)行語義檢索，能夠檢索37類地物目標(biāo)，準(zhǔn)確率達(dá)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(shí)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(jìn)行激光雷達(dá)(light detection and ranging, LiDAR)點(diǎn)云數(shù)據(jù)處理。山地林區(qū)的點(diǎn)云數(shù)據(jù)濾波，從點(diǎn)云數(shù)據(jù)提取數(shù)字高程模型，自動(dòng)化很難實(shí)現(xiàn)，一般需要人機(jī)交互作業(yè)，耗費(fèi)大量人力物力。

圖所示為廣東某地的點(diǎn)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(diǎn)云數(shù)據(jù)自動(dòng)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(jī)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(dòng)化。

點(diǎn)云數(shù)據(jù)提取的地形斷面.png

基于時(shí)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(huì)感知設(shè)備的時(shí)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(shí)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(shí)空數(shù)據(jù);另一類是來自社會(huì)感知設(shè)備，包括互聯(lián)網(wǎng)、智能手機(jī)、導(dǎo)航設(shè)備、可穿戴設(shè)備、視頻監(jiān)控設(shè)備以及社會(huì)調(diào)查獲取的時(shí)空數(shù)據(jù)，它主要反映人為活動(dòng)及社會(huì)經(jīng)濟(jì)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(jì)算，所以通常采用數(shù)學(xué)模型來進(jìn)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(gè)地面?zhèn)鞲芯W(wǎng)實(shí)時(shí)數(shù)據(jù)。通過這些實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)，能對(duì)流域內(nèi)的水庫和河流的水位、水量、泥沙、河道進(jìn)行分析和預(yù)測，實(shí)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(huì)感知設(shè)備的時(shí)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(diǎn)坐標(biāo)數(shù)據(jù)，視頻監(jiān)控?cái)?shù)據(jù)是圖像數(shù)據(jù)，而智能手機(jī)數(shù)據(jù)則有文本、點(diǎn)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(shí)空標(biāo)簽明顯，有些則需要經(jīng)過分析處理才能添加時(shí)空標(biāo)簽。目前多個(gè)領(lǐng)域的學(xué)者，包括計(jì)算機(jī)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(duì)社會(huì)感知的時(shí)空數(shù)據(jù)感興趣，認(rèn)為該數(shù)據(jù)是社會(huì)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(xiàn)者。攝影測量從靜態(tài)走向動(dòng)態(tài)與實(shí)時(shí)，并將與計(jì)算機(jī)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(dòng)提取問題;互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感網(wǎng)獲取的海量時(shí)空數(shù)據(jù)是人工智能的血液，為機(jī)器學(xué)習(xí)、智能抉擇與服務(wù)提供支撐。

面對(duì)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(jì)算機(jī)視覺成果，還是主動(dòng)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(huì)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(huì)行為及活動(dòng)規(guī)律，發(fā)展更高級(jí)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(bào)·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(qǐng)聯(lián)系我們。