【学术报告】龚健雅院士：智能遥感解译的研究进展及存在的问题

GIS FAMILY

文/编辑：GIS菌

内容来源：广东省2021年度应急测绘保障与安全生产演练暨测绘地理信息产业工作委员会授牌仪式《新型基础测绘技术交流论坛》

| 本文约 1700 字，阅读约需 3 分钟 |

4月28日，广东省2021年度应急测绘保障与安全生产演练暨测绘地理信息产业工作委员会授牌仪式（以下简称“活动”）圆满举行。活动由广东省自然资源厅主办，广东省国土资源测绘院、广东省测绘学会和珠海市自然资源局承办，广东南方数码科技股份有限公司协办。

活动同期举行新型基础测绘技术交流论坛。中国科学院院士龚健雅受邀参与本次论坛并以《智能遥感解译的研究进展及存在的问题》为题作专题报告。目前论坛直播回放已可在南方数码生态圈平台观看。

龚健雅院士（图源：南方数码）

“人工智能的迅速发展对各行各业将造成巨大影响，许多行业可能在这场变革中消失，一些行业将获得大发展。遥感是一个与人工智能关联密切的领域，我们既有发展的机遇，也面临很大的挑战。”

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。

报告现场

在基于深度学习的密集建筑物自动检测方面的研究中，针对小而密集建筑物的检测，武汉大学胡翔云团队提出了一种基于目标中心点生成候选框的新方法，该方法结合多盒评分模块和迭代定位细化模块来指导候选框的生成；而武汉大学季顺平团队则发展一种用于提取建筑物的全卷积网络，得到国际先进的检测结果。其团队进行的航片实验中，查全率和准确度达到95%。蓝色掩膜为检测出的房屋，几乎不存在漏检和错检；在基于深度学习的密集匹配和三维重建方面，季顺平团队提出基于CNN的航空遥感图像稠密匹配方法，同样取得重要进展。此外，龚健雅院士还分享了基于深度学习的全要素分类、基于多源遥感影像变化检测等方面的研究进度与案例。

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。

-

END