当遥感图像检测机智起来:全场景AI与遥感的顶峰邂逅AI+

来源:脑极体 / 作者:k兰兰 / 2019-09-23 09:56
9月19日,由国家自然科学基金委信息科学部、空间信息网络基础理论与关键技术重大研究计划指导专家组主办的遥感图像稀疏表征与智能分析竞赛,也刚刚落幕。这已经是国家自然科学

9月19日,由国家自然科学基金委信息科学部、“空间信息网络基础理论与关键技术”重大研究计划指导专家组主办的遥感图像稀疏表征与智能分析竞赛,也刚刚落幕。这已经是国家自然科学基金委筹办的第三届关于遥感图像稀疏表征与智能分析的竞赛,而这三年以来随着竞赛赛题的变化,一个明显的趋势就是,遥感与AI的结合方式正在变得越来越丰富。

 

从第一年设置智能影像目标检测和智能压缩两个赛题,到第二年又增加了光学图像识别、SAR遥感图像识别、遥感卫星追踪三个赛题。而在今年,大赛在决赛中设置了基于华为昇腾AI处理器的遥感图像解译加分赛,要求参赛队伍须将决赛算法模型移植于Atlas 200 DK AI平台,实现算法模型的推理计算,更是切实展现了AI与遥感相遇创造出的无限机会。

 

如此一来,这次比赛中的冠军团队也就格外引人瞩目——他们的成果,或许能够给AI+遥感的未来带来更多可能。

 

 

顶峰之作:用少样本学习

让遥感图像检测机智起来

 

在比赛中,由来自中国科学院空天信息创新研究院赵忠明、孟瑜研究员团队的邓毓弸、节永师、张懿、陈静、刘文雅组成的的“机智队”获得本次大赛的特等奖,而他们所选择的赛题就是遥感图像变化检测。

 

 

遥感图像变化检测可以对同一地点的不同时相数据进行变化检测处理,在资源和环境监测、地理国情监测、自然灾害评估等领域具有高度的实用价值。目前遥感图像变化检测的前沿算法在数据层面以及算法设计层面均具有一定局限性,导致算法在实际应用时效率低下。机智队的解决方案是应用将近两年来AI中非常火热的少样本学习,在数据样本相对不太丰富的前提下,尽可能通过迁移学习和样本泛化,提升数据的利用效率。最终机智队的模型在精度和效率上都表现优异,获得了整场比赛的特等奖,也证实了AI与遥感之间无限的契合空间。

 

其实细细看来本次比赛的几个单元设置,我们可以发现AI之于遥感的产业价值,正在被越来越多人认知。

 

在很长一段时间内,遥感技术捕捉到的信息都应用于气象、环境、地质资源、农业林业等等领域的研究与观测之中。实际遥感作为一种能够越过地理障碍对目标进行远距离测探的技术,所累积下的图像资源对于很多行业都有利用价值。但很多时候遥感图像的分析和观测还需要专家亲自参与,人力问题成了遥感图像难以被更多产业利用的关键。

 

这时通过AI技术替代人力,直接将遥感图像数据转化成可直接应用于产业的方法论工具,自然就成为了打通遥感技术产业价值的关键秘钥。

 

 

像是遥感卫星视频跟踪这一赛题,就将汽车、飞机、火车、轮船等交通工具作用跟踪对象,这一技术对于智慧物流、智慧交通等等领域都有不小的应用价值。而在遥感图像语义分割赛题中,主办方提供了包含15种典型土地利用类型的图像数据,对于这些数据的分析结果,对于智慧城市中的城市规划建设也有很高的应用价值。获得特等奖的机智队,他们提出的技术创新如果应用到AI防灾等领域之中,也能帮助遥感技术更好地发挥作用,对于灾害情况进行精准的分析甚至预测。

 

 

关键一招:

算力如何让AI+遥感翻过三个山坡

 

我们注意到,机智队在最终推理环节时将计算任务分为了两部分,一部分设置在云端,另一部分则应用了边缘计算。这种分布式计算极大地提升了模型的推理效率。背后提供支持的,显然是华为为竞赛提供的Atlas 200 DK AI开发者套件。这一套件通过外围接口释放出了华为Ascend 310芯片的强劲算力,更拥有快速搭建、便于迭代的特征,方便参赛开发者尽快熟悉上手,并且在不断调整策略时可以实现算法的快速更新迭代,让参赛者无需在模型与硬件之间的对接上浪费时间。

 

 

在这一案例中我们也能发觉,在AI与遥感结合的产业逻辑中,算力这一元素起到的作用正在越来越大。

 

例如,算力在哪,AI+遥感就在哪。

 

处理遥感图像,本身就意味着海量的计算需求出现。能否满足不同的计算需求,也意味着AI+遥感能否潜入更多场景。例如在中低空遥感领域,有很多追踪类的任务,像是追踪灾害蔓延轨迹,或是追踪野生动物。这种时间紧任务重的计算工作,就考验着无人机、摄像头等等终端设备中能否搭载AI算法实现实时识别追踪,也就考验着终端的计算能力。

 

又比如,算力有多普惠,AI+遥感就有多普惠。

 

在AI时代我们可以深刻的感觉到算力如同一种货币,AI任务的完成需要多少成本都是明码标价的。但从产业层面来讲,一定要在引入AI+遥感的成本和收益之中找到平衡、找到拐点,才能挖掘出AI+遥感的应用价值。换句话说,不断降低应用算力的门槛和成本,才能让更多产业应用上AI+遥感。

 

最后还有,算力生态有多完善,AI+遥感的生态就有多完善。

 

当AI赋能遥感,帮助遥感进入产业化应用时,也意味着遥感图像将要成为企业所处理众多数据中的一种。遥感图像数据想要融入整体技术架构之中,需要让遥感数据能够在储存、传输和处理上与企业整体业务进行配合。而这也往往考验着企业是否拥有一个完善的算力生态,来分布处理不同类型的数据,使得不同计算模式互相配合。换句话说,AI+遥感的应用能否走向常态化,还要看算力生态是否足够完善。

 

当算力帮助AI+遥感翻过这三个山坡后,我们一定能看到遥感技术在更多产业中散发耀眼的光芒。

 

 

领攀者Atlas:全场景AI与遥感在顶峰相遇

 

回到赛事本身,我们可以发现有很多团队都利用了华为所提供的Atlas 200 DK AI开发者套件来解决AI+遥感中的计算需求。那么是否还能为AI+遥感提供更多驱动?

 

答案是肯定的。Atlas打出的是全场景AI,面向“端、边、云”优化设计的全场景AI基础设施方案。AI技术与遥感的结合,一方面意味着海量的计算需求,另一方面在目标追踪等方面的应用上,也需要AI算法对于数据进行实时反应,对于端侧计算同样有很高的要求。尤其遥感技术常常被应用于农业、气象、水利等等“大场景”中,自然也少不了云边协同的需求。

 

 

通过对Atlas产品的整理,我们可以总结出,全场景AI帮助遥感所释放的三种产业红利:

 

第一是场景多样化红利。

 

Atlas 200 AI加速模块带来的强大端侧算力,让无人机、嵌入式摄像机等等遥感领域经常应用的硬件也能获得实时计算能力,直接在端侧进行遥感数据的分析和追踪。加上Atlas系列产品价格实惠,不会给产业端带来太多成本压力。从拍摄城市与农田的无人机到卫星上的摄像头,都能因此获得实时处理计算任务的能力,因此AI+遥感也可以快速在更多场景中普及。

 

第二是过往数据挖掘红利。

 

从80年代起,中国的遥感技术就已经开始活跃。但AI与遥感的结合,却是从这几年才开始的。也就是说往期累积的海量数据,都是可供利用的宝藏。最近刚刚推出的“地表最强”AI训练集群Atlas 900,所提供的强大算力就可以对过往数据进行高效挖掘,进一步推动遥感技术的利用率。

 

最后还有云边协同红利。

 

华为不仅拥有提供端侧算力的Atlas 200 AI加速模块,同样也拥有提供边缘算力Atlas 300 AI加速卡和Atlas 500智能小站。这些产品的核心能力,自然来自于华为昇腾AI处理器。昇腾体系提供的,是包括了芯片、芯片使能、训练和推理框架和应用使能在内的全堆栈方案,以及包括云端、边缘、物联网行业终端以及消费类终端等在内的全场景部署环境。如此一来形成的通路,也可以让AI遥感通过云边协同实现业务的高拓展性、降低延迟,便于未来开发,从而进一步适应产业需求。

 

在Atlas带来的几重红利之下,AI与遥感实现了一种跨越式的结合:AI不仅加速了遥感在科研中的应用,更帮助遥感在产业化、商业化之路上向前飞奔。

 

 

结束语

 

不难发现,在全场景框架之下,AI与遥感的结合如同顶峰相遇。遥感技术的应用补充了对于物理世界图像化捕捉的重要一环——从面孔之微到星云之著,都可以化作供给计算机理解分析的图像数据。而全场景AI提供的,是让计算机更高效理解遥感图像的契机,在中高空追逐珍惜野生动物的无人机中,在通过几十年来气象遥感图像分析气候变化的服务器里。

 

而计算,或许就是牵引两人共赴顶峰的登山绳,让AI与遥感从此有了追求共同目标的可能。

 

阅读延展

1
3