量子位 宣布 | 公众年夜众号 QbitAI
高尔夫球场，长期以来的高端社交地，但其存在的背后，却是对资源环境的侵袭。
不仅大量占用地皮资源、耗费水资源，而且在掩护草坪的时候大量利用化肥农药，会造成严重污染。
有多严重呢？
曾任江苏省副省长的徐鸣此前接管《中国经济周刊》专访给出了一个比拟：
“一个高尔夫球场的污染比一座普通工厂的污染还要严重。”
从2004年开始，有关部门就开始出台一系列政策限定球场培植，并在2017年前后开展了专项清理整治。
但整治效果该如何核查？
球场相对分散，且占地面积比较大， 通过遥感图像来检测，是较优方案，高分辨率光学遥感影像的遍及也为球场检测供应了有力数据支持。
哪怕这些数据都有，检测起来却不随意马虎。
下面便是一张遥感图像，忽略绿框，你能创造个中的高尔夫球场有多少，都在哪吗？
一个闇练解译职员从这样的遥感图像中检测出来所有的高尔夫球场，须要15分钟旁边。
而现在，深度学习技能改变了这项事情的面貌。
只需10秒，就能够在这样的图中，自动检测出高尔夫球场。
比较之下，效率提高90倍。识别的准确度也达到了84%。
这并不是个案特例，而是全体运用方向的集体提升，正切切实实发生在中科院遥感地球所。
这一跃迁是怎么发生的？又是一个若何的过程？
AI在图像识别领域中已经颇有建树许多年，为什么到现在能力才表示出来？
想要回答这些问题，须要先回答——
为什么原来处理遥感图像很慢？
利用遥感图像监测地表，是一个持续的过程。
中科院遥感地球所研究职员说，个中最大的难点就在于，同一个地方的环境和气候，每年都会发生变革。
这会对理解遥感图像的算法造成极大的影响。
最直接的表示便是，原来针对这些地方构建的算法，过了一年之后，就要有针对性地调优，适应这些变革，不然就会“罢工”。
而且， 这些算法都与人的履历有很强的关联性，如果设打算法的人离职，全体算法就难以为继了。
须要把稳的是，这些算法并不是自动化的，仍旧须要人工去合营。
中国960万平方公里，想要完成一遍，至少须要千余人集中事情2到3个月。
怎么办？可以用深度学习。现在， 遥感所是这样做的：
针对一个地方构建样本库，然后基于样本库中的图像演习深度学习模型。
第二年，这一地方的环境和气候发生变革，只须要把新的图像加进样本库，然后重新把模型演习一遍就可以了。
同时，这样也能够减少对人的依赖，模型的调度不再受限于专家履历，而是依赖数据的变革。
而且，数据越来越多，也不再是累赘，而是提高模型精度的“养料”。
虽然现在看来，这统统都很高效且非常大略。
但在从传统的人工+算法模式到现在深度学习的模式切换中，还经历了不少困难。
用AI理解遥感图像，有什么难的？
图像识别，可以说是当前AI领域比较成熟的技能了，各种用于图像理解的深度学习模型层出不穷，而且在特定领域已达到了人类同等水准。
但问题在于，这些深度模型，紧张是针对自然图像的，如果直接用于理解遥感图像效果就会大打折扣。
由于这两类图像之间有很大的差别。
首先，遥感图像波段比较多，除了自然图像的RGB三个波段之外，遥感图像至少还要多出一个近红外波段，一些卫星获取的遥感影像有8个波段，高光谱图像乃至有多达200多个波段。
其次，图像的尺度差异也非常大，与自然图像中利用尺度金字塔进行多尺度的识别比较，遥感图像的尺度差异乃至要达到1：30 以上，才能较好地识别各个目标地物。
第三，有局部空间特色失落真的问题。自然图像的失落真，紧张是由于传感器的边缘失落真和镜头失落真，整体是可控的。但遥感图像成像的失落真，是由于在图像获取中的偏差产生的，相对来说是不可控的。
这些问题的存在，让现有的深度学习算法很难直接应用到遥感图像理解任务中。不仅模型须要进一步优化，还须要框架供应支持：
不仅要在遥感影像读入方面供应多波段的支持，还须要添加针对遥感影像的图像增强算法，考虑到多波段的颜色增强，以及局部空间特色变形增强等等方面。
这些，正是百度在其深度学习框架PaddlePaddle中所做的事情，借助这一框架，中科院遥感地球所，也正在完成一轮新的技能迭代。
运用正越来越广泛
详细到我们一开始提到的高尔夫球场识别问题，中科院遥感所的研究职员借助PaddlePaddle框架的支持，利用了Faster R-CNN目标检测模型。
在专业、标准的高尔夫球场遥感数据集中，只须要10秒，就能够检测出遥感图像中的所有球场。
用人工+算法来识别，则须要15分钟。
深度学习新方法让事情效率提高了90倍，检出准确率也能够达到84%。
而且，深度学习并不仅仅只是用于自动化检测高尔夫球场，还正在被用于理解遥感图像中的机场，培植在山区中的风力和光伏发电站。
借助深度学习技能，研究职员能够根据遥感图像快速识别出一个地区有多少太阳能面板，就有可能对这一地区能够发多少电有清晰的预估，并为电网培植供应决策支持，避免“有电没网”或者“有网没电”的窘境。
根据国家能源局给出的数据，仅2018年，光伏发电就摧残浪费蹂躏了54.9亿度，相称于200多万家庭一年的用电量（按一家庭每月用电200度来打算）。
这背后的社会代价可见一斑。
而且，理解遥感图像，只是PaddlePaddle办理实际问题的一个范例。
在打算机视觉领域，这个框架已经能够支持模型完成图像分类、目标检测、图像语义分割、场景笔墨识别、图像天生、人体关键点检测、视频分类、度量学习等任务。
末了，附上一篇利用指南。如果你感兴趣，可以收藏不雅观看~
打算机视觉八大任务全概述：PaddlePaddle工程师详解热门视觉模型
— 完 —
诚挚招聘
量子位正在招募编辑/，事情地点在北京中关村落。期待有才华、有激情亲切的同学加入我们！
干系细节，请在量子位"大众号(QbitAI)对话界面，回答“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技能和产品新动态