近年來，人工智能(AI)蓬勃發(fā)展，在計算機視覺、自然語言處理和機器翻譯等任務上，AI的準確性甚至超過了人類。深度學習是AI領域目前研究的熱點，深度學習與GIS融合能夠更高效地解決現(xiàn)實問題，比如在精準農(nóng)業(yè)領域幫助提高農(nóng)作物產(chǎn)量、通過預測模型助力警務打擊犯罪等等，因此也創(chuàng)造了前所未有的巨大機遇，具有廣闊的應用前景。
近日，新一代國產(chǎn)地理信息平臺GeoScene 2.1正式發(fā)布，在地理人工智能GeoAI方面實現(xiàn)了重大技術(shù)突破。GeoScene平臺和深度學習結(jié)合的重點目前主要在計算機視覺領域，可以實現(xiàn)基于衛(wèi)星遙感、航空航天、無人機圖像、激光雷達點云等的目標識別和圖像分類任務。平臺提供端到端的深度學習解決方案，從樣本制作、到模型訓練、推理分析以及結(jié)果后處理，提供了豐富的產(chǎn)品、工具、APIs，無論業(yè)務人員，還是數(shù)據(jù)科學家，亦或開發(fā)者，都能選擇合適趁手的“兵器”，體驗深度學習的魅力，盡享智能化帶來的樂趣。
具體來看，GeoScene全流程的GeoAI支持樣本制作一鍵導出，提供即拿即用的樣本標注工具和樣本導出工具，可將GIS數(shù)據(jù)導出為深度學習框架所支持的樣本;訓練模型豐方面，內(nèi)置豐富的模型，如SSD、Unet、MaskRCNN、Deeplab、PointCNN等，無需切換環(huán)境即可訓練;推理方面，提供多種推理工具，支持場景實現(xiàn)，支持服務器端分布式推理及GPU推理;精度評估方面，通過使用深度學習工具將檢測到的目標與地面真相數(shù)據(jù)進行比較，計算深度學習模型的精度，如目標檢測結(jié)果精度計算。
圖1 GeoScene全流程的GeoAI賦能敏捷應用
2.1版本中，為了滿足更豐富的應用場景需求，平臺也在不斷擴展高質(zhì)量深度學習模型的類型、數(shù)量。目前內(nèi)置模型達到20余種，覆蓋了圖像分類、圖像翻譯、變化檢測、語義分割等應用方向，新增支持道路提取、變化檢測、影像翻譯等深度學習算法模型，全方位賦能用戶業(yè)務應用升級，使得驅(qū)動數(shù)字化轉(zhuǎn)型的過程更加高效和智能化。
以道路提取為例，MultiTaskRoadExtractor模型是一個像素分類模型，與傳統(tǒng)的像素分類不同的是，此像素分類專門針對于道路。就像是模型名稱一樣，模型的另外一個特點是多任務。先來看一下模型結(jié)構(gòu)：
圖2-1 MultiTaskRoadExtractor模型結(jié)構(gòu)
此模型結(jié)構(gòu)屬于編碼器解碼器結(jié)構(gòu)，但是在解碼的時候，一部分用來生成語義掩膜，另一部分解碼器則去做了道路拓撲與道路連通性檢查。做的事情如圖2-2所示：
圖2-2 拓撲與道路連通性檢查
在圖2-2b中可以明顯的看到紅圈內(nèi)為道路斷點，在拓撲上與道路連通性上都有問題，所以通過檢查將語義分割掩膜完善，進而完善模型。
再看下變化檢測，變化檢測是深度學習計算機視覺領域一個小方向，其所做的事情顧名思義，提取出兩幅不同時向變化的地方(如圖3-1)。一般來說，變化檢測根據(jù)場景以及人們的關注可以分為單類別變化以及多類別變化。單類別的常見場景如建筑物增減變化，多類別的常見場景如國情普查數(shù)據(jù)變化。
圖3-1：變化檢測
GeoScene中的變化檢測模型ChangeDetector來源于STANet(2020年5月發(fā)布)，模型整體架構(gòu)如圖3-2所示：
圖3-2：STANet模型結(jié)構(gòu)
從模型結(jié)構(gòu)上可以很清晰的了解整個模型工作流重點。整體模型是一個類似Unet的編碼解碼過程，其中比較重要的是兩期影像先進行特征圖提取后會經(jīng)過特定的注意力機制模塊。圖3-2中的I為輸入的兩期影像數(shù)據(jù)，X為提取的特征圖，Z為經(jīng)過特定的注意力機制之后的特征圖，Metric Module為損失函數(shù)，P為最終的語義圖。在特征圖提取時的backbone是ResNet家族，代表著可以選擇任意ResNet家族的backbone應用于模型。此模型適用于單類別變化檢測，如建筑物增減、查違拆違等業(yè)務場景。
圖3-3：變化檢測實例
6月3日至4日，2021年易智瑞空間信息技術(shù)開發(fā)者大會將在北京舉行。屆時，全新發(fā)布的GeoScene 2.1將重磅亮相，進一步激發(fā)廣大開發(fā)者創(chuàng)新活力,為各行各業(yè)數(shù)字化轉(zhuǎn)型提供重要支撐。屆時，大會將對GeoScene在GeoAI方面的最新進展進行深入解讀，并對新版本中提供的豐富AI模型進行應用展示。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
