龚健雅：智能遥感解译的研究进展及存在的问题
发布时间：2021-07-11 11:12:23 来源：GIS圈 作者：管理员 人气：
龚健雅院士首先以时间为线索，为大家分享了深度学习在遥感解译中的相关进展。“大概在2013、14年，我国学者开始用深度学习的方法进行相关研究”，据龚健雅院士介绍，人工智能发展的三要素分别为算力、算法和数据，基于深度学习的基础性研究主要分为两大方面，一方面是样本库的设计与标注，另一方面是网络结构与模型设计。而深度学习在摄影测量与遥感中的典型应用则包括目标检索、目标检测、地物分类、变化检测以及三维重建五个方面。
在样本库的设计与标注方面，龚健雅院士分享道，武汉大学已建立了一套大范围、高精度、多类型开源样本数据库，涵盖航片/卫片、多种地物类型、多种标注方法的样本库，目前已达100多万样本，但还是远远不够。
随后，龚健雅院士以具体案例从应用层面介绍了相关的研究进展。如在基于深度学习的遥感影像目标及场景检索方面，2014年武汉大学肖志峰教授就尝试直接应用AlexNet进行遥感影像目标及场景检索，实验结果让人惊喜，目标类别精度均达90%以上。由此也证明深度学习的方法能够解决遥感解译应用的问题。
龚健雅院士认为，尽管目前已有不少针对利用深度学习方法进行遥感解译的相关研究，但在实际应用上仍然面临着诸多挑战，“非常遗憾地说，（目前）我们很多的应用，特别是重大工程的应用，像是国土三调，基本上没有用到这个技术，还是靠人工。”
针对深度学习在遥感解译中面临的挑战，龚健雅院士认为主要为以下两点：
1、样本数据少且散。遥感领域尚无大规模“像素-目标-场景”多层级任务的开放解译数据，公开数据集缺乏统一格式接口， 远不能满足遥感智能解译要求；
2、通用深度学习网络难以用于遥感分类。基于深度学习的智能遥感解译软件还没有达到商业化应用。
基于此，龚健雅院士透露，目前他们已在推进相关项目，将围绕多源遥感影像的智能识别与解译，开展适合于深度学习训练与测试用的遥感样本数据集分类标准、标注规范、标注工具、众筹模式、样本库组织管理和版权保护研究；以及针对遥感影像特点和应用需求，研究遥感影像深度神经网络开源架构与模型。
报告尾声，龚健雅院士总结道，人工智能特别是深度学习方法已经在遥感目标与场景识别、信息提取、地物分类、变化检测、三维重建等方面取得重要进展，但是还没有达到实用的水平。要进一步解决人工智能方法在遥感自动解译方面存在的问题，需要扩大样本数据库，并增加多样性和区域性的样本；另一方面需要设计遥感专用的深度学习神经网络，将光谱信息和地学知识融入到网络框架中，使之能够有效解决自然地理要素地物分类等难题。
说明：