基于人工智能的自然资源要素遥感解译的建设应用
人工智能的教父Hinton曾经说过：人类也是机器，一台很棒的机器。该句子的原始含义是对一些“人工智能威胁理论”做出回应，但它也意味着人工智能追求的最终目标，即允许机器像人类一样思考和工作。
从1950年代的达特茅斯会议开始，人工智能已经进入了人们的愿景，到雨后雨水像蘑菇一样提出和应用自动特征提取网络，无论技术的进步是否真正实现“人工智能”（思考人工智能”（思考一下像人类）。和工作），但没有人可以否认我们进入了人工智能工业化时代，人工智能正在以其方式改变整个世界。作为图像图形领域的关键内容之一，遥感应用程序行业也处于工业智能的最前沿。
自从中国共产党第18个国民大会以来，该党和该国对新一代信息技术的发展非常重视并积极支持。移动互联网，云计算，大数据，物联网和其他技术已经加速了跨集成开发，从而有效地促进了人工智能技术和行业的快速成熟。在经济和社会领域的快速发展和广泛使用。
“中华人民共和国国家经济和社会发展的第14五年五年计划的概述以及2035年的长期目标”将建立和学习开源算法平台，例如“ Frontier基本理论突破，特殊的Chip Research和新一代人工智能的发展和深度学习框架。这需要专注于突破。自然资源部在2018年发布的“自然资源科学和技术创新开发计划的概述”中还清楚地说明了“我们必须根据多源调查来加强自然资源全因素信息的快速提取和智能解释和监视结果。”
此外，“自然资源调查和监测系统建设的总体计划”也将遥感图像信息提取视为关键技术和难度。通过AI和大数据技术赋予遥感应用程序的能力也已成为行业和学术界广泛关注和研究的一个话题。如何使用人工智能来协助挖掘这些丰富的信息也已成为遥感图像分析和理解的重要组成部分。
AI技术以深度学习为主要应用程序，为遥感图像解释提供了一种新方法，该方法适用于遥感大数据的自动处理和数据挖掘，并且可以在遥感图像中深入挖掘有效的信息增强行业应用。 。
人工智能发展的三个要素包括计算能力，算法和数据。深度学习实质上是通过大量示例数据采用监督的学习来学习目标的基本特征，并基于此预测和判断未知数据。它的基本性质研究主要分为两个方面：一方面，样本库的设计和注释，另一方面，网络结构和模型设计。
遥感图像样品库的设计和构建
在样本库的设计和注释研究中，计算机视野在经过多年的开发后建立了许多由Imagenet代表的自然图像样本库，并已用作多次深层模型培训和验证的数据集。样本库的数量和质量是成功应用深度学习模型的重要决定因素。注释应该能够客观地并真正反映土地的实际情况。可以在注释过程中遵循以下原则：
01最大和最小范围的原理
标记的目标区域应尽可能大，以包含目标区域的边界，但也应尽可能小，不包含除目标区域边界以外的其他对象特征。
02 Ning Wu的原则
不正确的标签是对模型训练过程的极大扰动，这将使模型训练很难收敛，并最终导致泛化和难以适应模型。
03标记的是看到的
在标签过程中，仅标记了视觉确定的目标对象，并且没有阻止或无法区分的对象的标记，也就是说，没有添加主观的想象力和先验知识。
在特定的遥感图像应用中，由于许多因素（例如尺度效应，成像条件和表面场景）的影响，遥感图像包括多种类型的具有复杂分布的陆地对象。
当建立遥感图像样本库时，学者们提出，不仅需要考虑更多的地理属性特征，而且还应标记单个地理位置，而且还应标记其特征的存在背景和相关数据，即构造对象 - 面向遥感知识，库为深度学习模型提供了辅助信息，包括基本图形，相应的属性类别，位置信息以及土地对象的物理和社会特征。
目前，研究人员已经建立了大量标记的样本库来进行目标检测和图像分类，例如用于车辆识别的TAS数据集（图像数量，792×636），Oirds数据集（图像的数量，图像数，图像数，图像，图像数量和图像识别。飞机识别的UCAS-AOD数据集（图像数量，1510，1280×659）;建筑物识别sztaki-inria数据集（图像数，尺寸800×800）; HRSC2016数据集（图像数，大小> 1000×600）;提取了用于多个土地对象的NWPUVHR-10数据集（图像数800，图像尺寸1000×1000），Vedai数据集（图像数1210，图像尺寸1024×1024），ROSD数据集（图像976，图像尺寸1280 ×1280）和dota-v1.5数据集（图像数为2806，图像大小为800〜4000×800〜4000），等等。
表1：不同深度学习方法的特征比较
深度学习网络结构和模型设计，用于遥感解释
在网络结构和模型设计的研究中，在遥感图像分类中应用的深度学习模型主要包括深信信号（DBN），卷积神经网络（CNN）和堆栈自动编码器网络（堆叠的自动编码器网络，SAE），原理，，，，，，，，，，，，地）。表1显示了每种方法的分类效果，优势和缺点。
1998年，莱肯（Lecun）总结并改善了经典卷积神经网络在手写数值识别中的应用。作为深度学习方法的典型代表，CNN可以接受图像作为输入数据，从而避免传统识别算法中的复杂特征提取和数据重建。过程。
此外，CNN采用了卷积和重量共享培训策略，从而大大降低了模型的复杂性，节省了训练费用并可以识别图像的空间特征。更重要的是，CNN具有局部连接和空间下采样的特征，这使得CNN具有一定的翻译，规模和失真不变性，并且被广泛用于图像目标识别和分类中。 CNN模型通常由卷积层，合并层和完全连接层的组合组成。
01卷积层
卷积层是CNN的核心，目的是执行输入数据的特征提取。在卷积层中，一组过滤器（IE，卷积内核）用于执行上一层中相邻区域中元素的卷积操作，并使用非线性激活函数映射以获得图像的卷积特征。
02合并层
在卷积层的特征提取之后，空间池方法用于将卷积特征映射置于特征选择和空间维度降低。合并层可以有效地降低模型的复杂性并节省计算成本。常用的合并方法包括最大池和平均合并。
03完整的连接层
完全连接的层是从卷积层或合并层提取的特征，该特征将当前网络层中的每个节点连接到上一层中的所有节点。
2012年，欣顿研究小组建立了深度学习模型Alexnet，并赢得了ImageNet图像识别冠军。它使用Relu激活函数从根本上解决了梯度消失的问题，并使用GPU极大地提高了模型的计算速度。在接下来的几年中，出现了自动特征提取网络，例如VGGNET，RESNET，GOOLENET，MOBILENET，DENSENET等。出现了，并且在数据集测试中获得了出色的提取结果。
近年来，深度学习网络模型已不断改进，并且在图像识别和信息提取方面取得了突破性的进步，许多任务的准确性超过了手动识别的准确性。在计算机视野领域，深度学习的巨大成功为智能提取遥感大数据信息提供了重要的机会。
但是，遥感图像具有专门的特征，例如遥感图像中目标的任意方向，尺度多样性，几何变形和密集的布置。因此，可以有效地实现基于CNN模型的改进与遥感图像目标的特征相结合。对象检测。遥感领域的学者和从业人员还修改了不同的深度学习模型，并将其应用于遥感图像解释。
例如，对于遥感图像的目标方向的不确定性，可以提取旋转不变特征以实现水平框架对象检测，或者可以准确识别目标角度的方法可以设计为实现定向的框架对象检测；对于目标的比例差，多尺度方法改善了网络结构并实现多尺度对象检测。为了响应遥感目标的密集安排，采用了一种自适应方法来实现密集的对象检测。
此外，鉴于遥感图像的复杂纹理特征，为了提高分类精度，现有的研究通常基于两个方向：一方面，通过增加网络层的数量，训练更深的神经网络来提取提取的更深的神经网络深度语义信息；另一方面，这使用更有效的模块来提高网络的特征提取能力。深度学习模型在遥感图像解释中产生了大量应用，并获得了出色的解释效果。他们具有以下优势：它们不需要手动设计功能，具有强大的功能学习和表达功能，并且可以直接来自数据。了解更多的抽象和高级功能，其中包含语义信息，高模型预测性能以及良好的转移学习能力。
遥感智能视觉平台的构建
目前，尽管深度学习技术在遥感图像解释方面取得了出色的结果，但仍然存在一些问题，例如网络模型主要依赖于经验设计。需要大量标记数据；网络模型很复杂，容易出现本地最佳解决方案或过度拟合问题；培训需要时间，并且计算昂贵；存储和计算资源很高，通常需要GPU平台；模型的超参数选择取决于经验和技能。
鉴于这种情况，智谷（北京）技术有限公司（以下称为“ Zhongke beiwei”）等公司已经出现在测量和映射地理信息行业中。以郑克·贝威（Zhongke Beiwei）为例，它为用户开发了一个遥感的智能视觉平台 - tianshu，依靠国际领先的国内开源框架paddlepaddle，就整体体系结构而言，为智能图像解释创建了一个闭环链接。
遥感智能视觉平台接口
在挖掘和提取遥感数据的过程中，大规模迭代优化可以避免季度变化和卫星模型对解释效果的影响。情节分割的精度达到了90％以上，并且可以使用四个以上像素的图像。更改用于提取和输出。此外，遥感智能视觉平台集成了17种方法，例如更改尺寸，标准化，随机翻转，局部随机扩增，随机的高斯模糊，随机锐化，随机锐化，减少频带数量的维度，添加NDVI通道，添加NDWI通道和添加NDWI通道和添加NDBI频道。定制和优化的图像增强方案。
在功能上开元ky888棋牌官方版，Zhongke beiwei开发的天简遥感智能视觉平台采用B/S结构开发，为非专业用户设计了友好的操作接口，并为遥感数据提供了三个功能模块检测。
该平台为遥感图像特征构建了一个集成的自动提取过程，包括遥感图像预处理开yunapp体育官网入口下载手机版，模型培训，模型发行和使用，准确性评估以及结果后处理。在常规任务中，例如提取和变化检测建筑物，水体，道路等功能，该模型可以在没有过度用户干预的情况下输出高精度土地提取结果；此外开元棋官方正版下载，产品是可扩展的，用户可以根据需要使用它。适应特定方案的训练模型可用于在不同的尺度，不同的分辨率和不同时期提取和更改遥感图像特征的检测。
可以预见的是，算法，计算能力和大量数据的沉淀使AI和遥感应用程序的结合立即。 “可感知，可学习和易于扩展”的遥感解释平台可以实现对建筑物，森林，水域，道路，农作物等各种目标信息的智能解释，并且一定会欢迎来到应用程序和无处不在的自然资源管理。
在接下来的十年中，遥感是否可以深刻影响社会发展并有效地解决生产和生活中的问题，并具有普遍性和经济价值。关键点在于遥感数据的解释和应用。科学技术的进步不仅会提高效率和生活质量的改善，而且还将使人类以不同的方式和观点来理解世界。当我们脚下的地球不断地读入计算中心时，我们面前将展开一个新的认知维度，人类社会将迎来新的一轮技术创新。
人工智能技术的出现是及时的。正如中国科学院的院士Wu Yirong所说，通过从处理和分析到共享应用程序的大量多源数据的整个链接来赋予遥感技术，将能够大大缩短遥感。图像解释周期产生了一些新的遥感应用程序，并促进了遥感数据服务模型的转换，从而创造了一个遥感的新时代。
请与我们联系以进行内容重印，业务活动，提交等方面的合作。
