1、面向深度學(xué)習(xí)的遙感影像樣例庫背景0102030405解決方案-目標(biāo)與任務(wù)樣例數(shù)據(jù)-設(shè)計(jì)、生產(chǎn)與管理算法驗(yàn)證提 綱結(jié)論與展望背景1.1 自 然 影 像 機(jī) 器 識(shí) 別 技 術(shù) 進(jìn) 展 機(jī) 器 學(xué) 習(xí) 技 術(shù) 快 速 發(fā) 展多倫多大學(xué)教授Hinton開啟深度學(xué)習(xí)在學(xué)術(shù)和工業(yè)界應(yīng)用Al人工智能持續(xù)發(fā)展“無50年代6080年代902000年代200620112016人工智能興起提出圖靈測(cè)試進(jìn)入萌芽時(shí)代淺層學(xué)習(xí)模型興起人工智能出現(xiàn)新的浪潮AlphaGo1.1 自 然 影 像 機(jī) 器 識(shí) 別 技 術(shù) 進(jìn) 展 計(jì) 算 能 力 提 升 支 撐 了 機(jī) 器 學(xué) 習(xí) 的 發(fā) 展 互 聯(lián) 網(wǎng) 數(shù) 據(jù) 的 增 長深

2、度 學(xué) 習(xí) 模 型 層 數(shù) 多 、 參 數(shù) 多 ， 需 要 更 高 的 計(jì) 算 能 力互聯(lián)網(wǎng)數(shù)據(jù)的呈量級(jí)增長，滿 人 工 智 能 對(duì) 影 像 的 解 譯 -分 類深層卷積神經(jīng)網(wǎng)絡(luò)貓 分 類 分 割在 自 然 影 像 領(lǐng) 域 ， 深 度 學(xué) 習(xí) 在 計(jì) 算 機(jī) 視 覺 方 向 的 研 究 工 作 ，根 據(jù) 任 務(wù) 可 以 分 為 分 類 、 目 標(biāo) 檢 測(cè) 和 要 素 分 割 三 類 ；根 據(jù) 對(duì) 象 數(shù) 量 可 以 分 為 單 目 標(biāo) 和 多 目 標(biāo) 兩 種 。 分 類 、 分 割 識(shí) 別人臉識(shí)別得到實(shí)際應(yīng)用 基于深度學(xué)習(xí)的人臉識(shí)別方案，準(zhǔn)確識(shí)別圖片中的人臉信息，提供人臉屬性識(shí)別、關(guān)鍵點(diǎn)定位、

3、人臉1：1比對(duì)、人臉1：N識(shí)別、活體檢測(cè)等能力 遠(yuǎn)程身份認(rèn)證 安防監(jiān)控 身份辨識(shí) 人臉支付 人臉簽到 高鐵、機(jī)場(chǎng)，你已經(jīng)被識(shí)別過 兩 大 支 撐 影 像 樣 本 /算 法 模 型面 向 自 然 影 像 的 進(jìn) 展-ImageNet為 代 表 的 數(shù) 據(jù) 集 極 大 地 促 進(jìn) 了 機(jī) 器 視 覺 技 術(shù) 發(fā) 展ImageNet數(shù)據(jù)集從互聯(lián)網(wǎng)搜集1400多萬幅圖片，涵蓋2萬多個(gè)類別；其中有超過百萬的圖片有明確的類別標(biāo)注和圖像中物體位置標(biāo)注。 兩 大 支 撐 影 像 樣 本 /算 法 模 型準(zhǔn)確分類與分割需要優(yōu)秀的算法模型（ AlexNet ，VGG，GoogleNet，ResNet FCN）同一

4、模型的參數(shù)優(yōu)化對(duì)結(jié)果有明顯影響2010年開啟基于ImageNet數(shù)據(jù)集的深度學(xué)習(xí)年度挑戰(zhàn)賽，短短七年時(shí)間，識(shí)物體的最高準(zhǔn)確率從71.8%提升至97.3%，超過了人類的識(shí)別水平。 成功訓(xùn)練一個(gè)深度網(wǎng)絡(luò)需要大量已標(biāo)注的訓(xùn)練樣本 準(zhǔn)確分類、分割、識(shí)別研究對(duì)象需要優(yōu)秀的算法模型引自： Long,J Fully Convolutional Networks for semantic Segmentation由于觀測(cè)高度、角度、相機(jī)等方面的差異自然目視影像的樣例數(shù)據(jù)不能用在地表遙感影像平視俯視1.2 面向地表遙感影像的可喜嘗試-幾個(gè)科學(xué)數(shù)據(jù)集1 / 3 UC Merced_LandUse數(shù)據(jù)集（Yang

5、and Newsam, 2010） UC、美國地質(zhì)勘探局 從美國波士頓等19個(gè)不同城市地區(qū)大量衛(wèi)星影像中通過人工收集和提取 影像的分辨率為0.3米，大小為300M左右。包含21個(gè)不同的土地利用類型，為農(nóng)業(yè)，飛機(jī)，棒球場(chǎng)地，海灘，建筑物，叢林，密集住宅，森林，高速公高爾夫場(chǎng)，港口，交叉口，中密度住宅，立交橋，停車場(chǎng)，河流，跑道，稀宅，儲(chǔ)罐和網(wǎng)球場(chǎng)等 每個(gè)類由100個(gè)具有256256像素尺寸的圖像組成1.2 面向地表遙感影像的可喜嘗試-幾個(gè)科學(xué)數(shù)據(jù)集2 / 3 SAT-4和SAT-6數(shù)據(jù)集（Basu et al., 2015） Louisiana State University， NASA 從N

6、AIP（ National Agriculture Imagery Program）收集加利福尼亞州的兩個(gè)區(qū)業(yè)遙感影像 SAT-4由裸露地、草地、林地、其他類4個(gè)類別， 500,000張影像； SAT-6由裸露地、草地、林地、道路、建筑物、水體6個(gè)類別，405,000張影像 影像尺寸的大小均為28281.2 面向地表遙感影像的可喜嘗試-幾個(gè)科學(xué)數(shù)據(jù)集3 / 3 RSI-CB數(shù)據(jù)集（Haifeng Li et al., 2017）(remote sensing image classification bench 中南大學(xué)和武漢大學(xué)團(tuán)隊(duì) 基于眾包數(shù)據(jù)（OpenStreetMap）以及 bing

7、地圖和 google 地圖的影像采集 其影像分辨率在0.22米至3米之間，數(shù)據(jù)集采用兩種不同的影像尺寸，分別為和128128，并由此命名為RSI-CB256和RSI-CB128。 RSI-CB256 35個(gè)子類別，超過24,000張圖像 RSI-CB128 45個(gè)子類別，超過36,000張圖像 在中國土地利用分類標(biāo)準(zhǔn)的基礎(chǔ)上采用分級(jí)分類體系，有6大類：農(nóng)業(yè)用地、設(shè)施、交通及設(shè)施、水體及水資源保護(hù)設(shè)施、林地、其他土地利用1.3 小 結(jié)數(shù)據(jù)集名稱 類別 樣例大小 樣例數(shù)量 構(gòu)建方法數(shù)據(jù)源UC100/個(gè) 每類19美國波士頓等 個(gè)不同城市地區(qū)大量衛(wèi)星影像21 256 256手工選取或標(biāo)注Merced_

8、LandUseSAT-4500,0004州兩個(gè)區(qū)域農(nóng)業(yè)影像當(dāng)前，采用深度學(xué)習(xí)模型和大樣例庫開展自然影像的對(duì)象識(shí)別penStreetMap）ogle地圖的影像應(yīng)用；對(duì)于地表遙感影像的識(shí)別也有一些可喜的嘗試。但很多于樣例分類和樣例庫規(guī)模等因素，制約著深度學(xué)習(xí)在遙感影像需求廣泛應(yīng)用。解決方案目標(biāo)與任務(wù)2.1 我 們 的 方 案2.1 我 們 的 方 案 面向深度學(xué)習(xí)算法和模型，采用基礎(chǔ)測(cè)繪、地理國情和監(jiān)測(cè)數(shù)據(jù)成果，開展地表影像大數(shù)據(jù)樣例生產(chǎn)。 構(gòu)建樣例庫，成為時(shí)空大數(shù)據(jù)與云平臺(tái)的重要科學(xué)數(shù) 在此樣例庫基礎(chǔ)上，采用深度學(xué)習(xí)算法建立模型，開象識(shí)別與分割工作。2.1 我 們 的 方 案航空攝影獲取影像基

9、礎(chǔ) 測(cè) 繪 、 普 查 成 果 是 可 靠 的 樣 例 數(shù) 據(jù)人工目視解譯影像采集要素 地類的標(biāo)識(shí)由現(xiàn)場(chǎng)調(diào)繪完成外業(yè)核查 數(shù)據(jù)的生產(chǎn)具有完整的質(zhì)量控制體系數(shù)據(jù)類型基礎(chǔ)測(cè)繪基礎(chǔ)測(cè)繪時(shí)期十一五十二五第一輪十二五第二輪數(shù)據(jù)量 海量的數(shù)據(jù)積累266074702861761228814558119981481081441412193618 江蘇省測(cè)繪地理信息局基礎(chǔ)測(cè)繪201520162017地理國情普查地理國情監(jiān)測(cè)地理國情監(jiān)測(cè)年年年 生產(chǎn)更新4期1:1萬省級(jí)基礎(chǔ)測(cè)繪數(shù)據(jù) 2015年地理國情普查數(shù)據(jù) 2016/17地理國情監(jiān)測(cè)數(shù)據(jù)。2.2 目 標(biāo) 與 任 務(wù) 目標(biāo)在充分分析深度學(xué)習(xí)算法模型對(duì)遙感影像樣例數(shù)

10、據(jù)需求基礎(chǔ)上，結(jié)合目已有的基礎(chǔ)測(cè)繪和地理國情普查、監(jiān)測(cè)數(shù)據(jù)成果，研究面向深度學(xué)習(xí)的感影像樣例數(shù)據(jù)生產(chǎn)方法和工具，構(gòu)建包含時(shí)空信息的、多數(shù)據(jù)源、多尺度的江蘇省遙感影像樣例數(shù)據(jù)并建立樣例庫，在此基礎(chǔ)上開展地表對(duì)象識(shí)別與分割，為深度學(xué)習(xí)在測(cè)繪地理信息行業(yè)深度應(yīng)用打堅(jiān)實(shí)基礎(chǔ)。2.2 目 標(biāo) 與 任 務(wù) 基于以上目標(biāo)將項(xiàng)目分解為以下幾個(gè)主要任務(wù)： 調(diào)研目前已有深度學(xué)習(xí)算法在影像解譯領(lǐng)域的應(yīng)用方向和算法對(duì)樣例的需求，樣例數(shù)據(jù)規(guī)范或標(biāo)準(zhǔn)； 分析已有的基礎(chǔ)測(cè)繪數(shù)據(jù)、地理國情普查與監(jiān)測(cè)數(shù)據(jù)采集標(biāo)準(zhǔn)、采集方式，制例數(shù)據(jù)分類體系和樣例數(shù)據(jù)生產(chǎn)方法； 基于樣例數(shù)據(jù)標(biāo)準(zhǔn)和生產(chǎn)方法，開發(fā)樣例數(shù)據(jù)生產(chǎn)工具； 利用工具生產(chǎn)樣

11、例數(shù)據(jù)，形成樣例數(shù)據(jù)庫； 開發(fā)自動(dòng)解譯居民地（房屋面）的深度學(xué)習(xí)影像解譯算法，基于樣例庫和解譯自動(dòng)解譯2017年遙感衛(wèi)星影像。樣例數(shù)據(jù)設(shè)計(jì)設(shè)計(jì)、生產(chǎn)與管理3.1 樣 例 設(shè) 計(jì)樣例大小樣例規(guī)模樣例類別樣例類簡(jiǎn)平衡3.1 樣 例 設(shè) 計(jì) 樣例大小不同的算法實(shí)現(xiàn)會(huì)對(duì)圖片大小有要求，因?yàn)槊總€(gè)模型的實(shí)現(xiàn)方式并不固定，而且考慮到深度學(xué)習(xí)從影像中提取特征是從低層到高層，分別對(duì)應(yīng)邊緣特征、局部特征、整體特征，以及在輸入模型之前可以對(duì)圖片進(jìn)行任意預(yù)處理等因素，我們認(rèn)為：樣例需要能夠體現(xiàn)地物的全部特征，大小可以不固定。3.1 樣 例 設(shè) 計(jì) 樣例規(guī)模吳恩達(dá)曾經(jīng)說過：做AI研究就像造宇宙飛船，除了充足的燃料之外，

12、強(qiáng)引擎也是必不可少的。假如燃料不足，則飛船就無法進(jìn)入預(yù)定軌道。而不夠強(qiáng)勁，飛船甚至不能升空。類比于AI，深度學(xué)習(xí)模型就好像引擎，海量的訓(xùn)練數(shù)據(jù)就好像燃料，這兩者對(duì)于AI而言同樣缺一不可。所以，樣例數(shù)據(jù)越多越好，規(guī)模越大越好。3.1 樣 例 設(shè) 計(jì) 樣例類別樣例類別和算法最終要解決的問題相關(guān)，樣例類別選取應(yīng)以需求為向，綜合考慮已有數(shù)據(jù)、生產(chǎn)難度和算法實(shí)現(xiàn)可能性三個(gè)因素。 樣例類間數(shù)量瑞典皇家理工學(xué)院的Paulina Hensman研究過樣例類別間數(shù)量不平會(huì)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果產(chǎn)生明顯影響，所以數(shù)據(jù)類的樣本數(shù)量應(yīng)盡量平衡，不能差距太大。3.2 樣 例 生 產(chǎn) 數(shù) 據(jù) 分 析 基礎(chǔ)測(cè)繪數(shù)據(jù)與國情

13、數(shù)據(jù)對(duì)比分析對(duì)比項(xiàng)基礎(chǔ)測(cè)繪數(shù)據(jù)地理國情數(shù)據(jù)版本2015年普查數(shù)據(jù)、2016年和2017年監(jiān)測(cè)數(shù)據(jù)，十五、十一五、十二五第一輪、十二五第二輪，共四個(gè)版本共三個(gè)版本影像情況分類情況十五：1米衛(wèi)片；十一五:0.5米航片；十二五兩輪：0.3米航片2015年普查：0.3米航片；2016年監(jiān)測(cè)：1米衛(wèi)片；2017年監(jiān)測(cè)：1米衛(wèi)片定位基礎(chǔ)、水系、居民地、交通、管線、境界與政區(qū)、地貌、植被與土質(zhì)、地名及注記，九大類種植土地、林草覆蓋、房屋建筑（區(qū)）、鐵路與道路、構(gòu)筑物、人工堆掘地、裸露地表、水域、地理單元、地形，十個(gè)一級(jí)類要素類型采集原則每一類數(shù)據(jù)根據(jù)上圖指標(biāo)分為點(diǎn)、線、面三種地表覆蓋全部為面狀數(shù)據(jù)；重要國情

14、要素?cái)?shù)據(jù)由點(diǎn)、線、面三種組成，點(diǎn)狀要素非常少以地圖制圖為主要原則之一，對(duì)上圖信息進(jìn)行綜合取舍，位置精度要求高，屬性項(xiàng)較少，不能完全反映真實(shí)世界面向信息統(tǒng)計(jì)，較少考慮出圖，盡可能反映真實(shí)世界，較少的綜合取舍，重要國情要素屬性信息豐富3.2 樣 例 生 產(chǎn) 數(shù) 據(jù) 分 析 基礎(chǔ)測(cè)繪數(shù)據(jù)與國情數(shù)據(jù)對(duì)比分析序號(hào) 基礎(chǔ)地理信息分類國情普查類別123定位基礎(chǔ)水系基礎(chǔ)測(cè)繪數(shù)據(jù)和地理國情數(shù)據(jù)分在交叉，需要做出選取。水域居民地及設(shè)施房屋建筑（區(qū)）、構(gòu)筑物、人工堆掘地、裸露屬、基礎(chǔ)測(cè)繪和地理國情數(shù)據(jù)，是良好的樣例生產(chǎn)數(shù)據(jù)源。要、不是所有的基礎(chǔ)測(cè)繪和地理國情矢量數(shù)據(jù)，都適于生產(chǎn)樣例數(shù)生需要選擇性使用、制定不同策略3

15、.3 小 結(jié) 樣例大小 樣例規(guī)模 樣例類別 樣例體現(xiàn)地物的全部特征，大小不固定 樣例數(shù)據(jù)越多越好，規(guī)模越大越好。1200萬 樣例類別選擇要綜合考慮已有數(shù)據(jù)、生產(chǎn)難度和算法實(shí) 8個(gè)大類，66個(gè)二級(jí)類，123類（三級(jí)） 樣例類間平衡 盡量平衡團(tuán)隊(duì)數(shù)據(jù)集名稱樣例類別 樣例大小 樣例規(guī)模方法UCUC（Yang andNewsam, 2010）Merced_LandUseUniversity ofCalifornia100個(gè)/每類美國波士頓等 個(gè)不同城19市地區(qū)大量衛(wèi)星影像人工收集和提取21 256 25500,000NAIP（ NationalAgriculture Imagery和提取 Progra

16、m）加利福尼亞州兩個(gè)區(qū)域農(nóng)業(yè)遙感影像SAT-4SAT-646Louisiana StateUniversity， NASA人工收集2828405,00036,00024,00012812RSI-CB128RSI-CB25645基于眾包數(shù)據(jù)人工收集8中南大學(xué)武漢大學(xué)（OpenStreetMap）以及bing地圖和google地圖的影像25625和提取63512，000，123我們不固定衛(wèi)星 航攝影像0003.4 樣 例 管 理 -樣 例 庫 功 能 模 塊面向深度學(xué)習(xí)的遙感影像樣例庫 樣例數(shù)據(jù)管理系統(tǒng)面向樣例使用人員提供樣例查詢、下載功能，樣例生產(chǎn)人員提供新樣例生產(chǎn)、清洗功能，管理人員提供統(tǒng)計(jì)、

17、分析功能。新增新時(shí)期樣本新增舊時(shí)期樣本映射文件管理樣本查詢樣本清洗模型使用模型介紹樣本統(tǒng)計(jì)角色管理3.4 樣 例 管 理 -樣 例 庫 功 能 模 塊關(guān)于模型 構(gòu)建 上載 使用 管理模型驗(yàn)證建筑物識(shí)別與分割 本項(xiàng)目中使用到的語義分割算法的主干網(wǎng)絡(luò)是U-Net網(wǎng)絡(luò)。 它是一種編碼器-解碼器結(jié)構(gòu),編碼器逐漸減少池化層的空間維度，解碼器逐步修復(fù)物體的細(xì)節(jié)和空間維度。編碼器和解碼器之間通常存在快捷連接，因此能幫助解碼器更好地修復(fù)目標(biāo)的細(xì)節(jié)。因?yàn)榻Y(jié)構(gòu)上的對(duì)稱性所以形如大寫的英文字母U，故稱為U-Net網(wǎng)絡(luò)。引自：Olaf.R U-Net: Convolutional Networks for Biome

18、dical Image Segmentation分 類 與 分 割 結(jié) 果城 市 地 區(qū) 27平 方 公 里時(shí) 間 11秒分 類 與 分 割 結(jié) 果集 鎮(zhèn) 地 區(qū) 27平 方 公 里時(shí) 間 13秒變化檢測(cè) 2012-2017年同一地區(qū)居民地影像分析結(jié)果對(duì)比該區(qū)域總面積28.4平方公里 2012年居民地占比17.9% 2014年居民地占比20.9% 2016年居民地占比17.6% 2017年居民地占比17.3%2014年0.3米航片解譯 VS 十二五（2013年）基礎(chǔ)測(cè)繪兩者面積相差2.9%總結(jié)與展望意義在哪里？ 快速變化率獲取未來測(cè)繪工作的新機(jī)遇與新挑戰(zhàn)？ 在一個(gè)影像周期內(nèi)，快速獲得同一對(duì)象的

19、變化率，如建筑物的變化率以及變?cè)谀睦铮?江蘇省第一次地理國情普查公報(bào)：建筑物占比：9.6% 直接在第一線參與第一次地理國情普查人員約300人，歷時(shí)1年半時(shí)間。 今天是多少？ 4000幅*1分鐘/幅 3天 N 數(shù)據(jù)產(chǎn)品 快速更新地理信息 自然資源變化率發(fā)現(xiàn) 對(duì)象幾何化 - 獲得矢量數(shù)據(jù) 山水林田湖草?？?結(jié) 與 展 望 摸索出一套基于測(cè)繪已有數(shù)據(jù)生產(chǎn)面向深度學(xué)習(xí)的遙感影像樣例數(shù)建了包含 個(gè)大類、6 個(gè)二級(jí)類、12 個(gè)三級(jí)類的遙感影像樣例分 嘗試以建筑物為研究對(duì)象，開展建筑物識(shí)別模型構(gòu)建，初步成果令 遙感影像樣例數(shù)據(jù)將作為智慧江蘇時(shí)空大數(shù)據(jù)云平臺(tái)的一個(gè)特色數(shù)院所、企事業(yè)單位和有興趣做深度學(xué)習(xí)研究的

20、個(gè)人 學(xué)者開放，共在測(cè)繪領(lǐng)域的深層應(yīng)用。 大家一起來做，形成國家完整的地理對(duì)象樣本大數(shù)據(jù)集。 大家一起來做，逐步完善并積累各類遙感影像識(shí)別模型。張浩李明巨劉昱君石善球李璐王丹感 謝 關(guān) 注李明巨江蘇省基礎(chǔ)地理信息中心Esri中國信息技術(shù)有限公司 AI架張健Geo.AI當(dāng)ArcGI 遇見人工智能張健 A 架構(gòu)師Es 中國信息技術(shù)有限公司人工智能帶來巨大的行業(yè)機(jī)遇空間科學(xué) 人工智能Geo.AIGeo.AI數(shù)據(jù)算法/模型應(yīng)用矢量數(shù)據(jù)遙感數(shù)據(jù)空間分析/統(tǒng)計(jì)集成深度學(xué)習(xí)框架對(duì)接人工智能平臺(tái)國土農(nóng)業(yè)金融商業(yè)數(shù)據(jù)人行道覆蓋稅收包裹登記基礎(chǔ)底圖天然的機(jī)器學(xué)習(xí)樣本庫影像數(shù)據(jù)矢量數(shù)據(jù)數(shù)據(jù)豐富的樣本制作工具影像數(shù)據(jù)

21、矢量數(shù)據(jù)深度學(xué)習(xí)算法與模型專業(yè)的空間分析工具靈活的第三方人工智能框架及服務(wù)ArcGIS的機(jī)器學(xué)習(xí)工具地理處理工具分類 最大似然分類 隨即森林 支持向量機(jī)空間分析/統(tǒng)計(jì)ArcGIS機(jī)器學(xué)習(xí)預(yù)測(cè)聚合 空間約束多元聚類 多元聚類 經(jīng)驗(yàn)貝葉斯克立格 面插值 基于密度的聚類 圖像分割 EBK 回歸預(yù)測(cè) 普通最小二乘回歸 地理加權(quán)回歸 基于隨機(jī)森林的分類與回歸 熱點(diǎn)分析 聚類和異常值分析 時(shí)空挖掘分析ArcGIS與人工智能平臺(tái)融合MicrosoftArcGISArcGIS與深度學(xué)習(xí)人工智能行機(jī)器學(xué)習(xí)深度學(xué)習(xí)ArcGIS與深度學(xué)習(xí)框架集成ArcGIS中國最大的人工智能獨(dú)角獸企業(yè)SenseRemote商湯人工

22、智能遙感解譯馬靈霞 高級(jí)產(chǎn)品經(jīng)理深度學(xué)習(xí)三大核心要素 海量數(shù)據(jù)超級(jí)計(jì)算AI在商湯：GPU硬件超算集群8000塊GPU計(jì)算卡，10個(gè)GPU集群，最大規(guī)模連接800塊GPUAI在商湯：自建原創(chuàng)深度學(xué)習(xí)平臺(tái)Parrots開源平臺(tái)商湯自建平臺(tái) Berkeley 出品 Facebook 出品 Google 出品 商湯科技出品 對(duì)單機(jī)多GPU的有限 對(duì)分布式訓(xùn)練的支持比 支持單機(jī)多GPU和分 支持超深網(wǎng)絡(luò)支持較弱布式訓(xùn)練 超大數(shù)據(jù)學(xué)習(xí)及復(fù)雜關(guān)聯(lián) 不支持分布式訓(xùn)練 非常靈活，但是以寫底層代碼為代價(jià)，生產(chǎn)力低 顯存使用過高，性能應(yīng)用欠佳？不支持大數(shù)據(jù)量的分布式訓(xùn)練計(jì)算效率低、效果不理想不提供最新算法迭代成果技

23、術(shù)發(fā)展受制，IP問題等可支持分布式訓(xùn)支持更復(fù)雜建模使用開源平臺(tái)將受制于人自建平臺(tái)是實(shí)現(xiàn)算遙感影像解譯的特殊性不能直接支持遙感多波段、不能直接支持遙感數(shù)據(jù)尺寸精度差，不能直接滿足遙感訓(xùn)練耗時(shí)長；基于VOC、COCO、ImageNet等數(shù)據(jù)集上直接finetune的VGG、GoogLeNet、ResNet等結(jié)構(gòu)網(wǎng)絡(luò)并不能很好的適用于遙感數(shù)據(jù)處理。處理速度慢；AI在商湯：遙感影像深度學(xué)習(xí)模型數(shù)據(jù)普適Data設(shè)計(jì)適用于8bit、16bit 全色、RGB、多光譜、高光譜多data_convBNBNReLuReLuDROPconv1-1conv1-2BNBNReLuReLudata_fcdata_ms種數(shù)據(jù)普適模型pooling1遙感專用p1_convp1_fcBNBNReLuReLuDROPp1_msconv2-1conv2-2BNBNReLuReLu設(shè)計(jì)多種場(chǎng)景專用模型，比如道路、河流類線狀地物；云pooling2p1_interp雪類易混淆面狀地物；復(fù)雜場(chǎng)景下的飛機(jī)、艦船等微小目標(biāo)；多時(shí)相數(shù)據(jù)變化檢測(cè)模型p2_convp2_fcBNBNReLuReLuDROPp2_mspooling3p1_interp模型壓縮p3_convp3