Ringkasan
Pesatnya perkembangan teknologi kecerdasan buatan akan berdampak besar pada semua kalangan. Survei, pemetaan, dan penginderaan jauh adalah bidang yang terkait erat dengan kecerdasan buatan. Di bawah lingkungan perkembangan pesat di bidang kecerdasan buatan, subjek survei, pemetaan, dan penginderaan jauh tidak hanya memiliki peluang pengembangan yang baik, tetapi juga menghadapi krisis disipliner yang hebat. Pertama-tama memperkenalkan ruang lingkup kecerdasan buatan dan bidang yang terkait dengan survei, pemetaan, dan penginderaan jauh, lalu memperkenalkan dua bidang utama kecerdasan buatan - visi mesin dan pembelajaran mesin di bidang kemajuan aplikasi fotogrametri dan penginderaan jauh, dan akhirnya memperkenalkan pengenalan berdasarkan data besar ruang-waktu Kemajuan penelitian ilmu pengetahuan dan penalaran menunjukkan prospek penerapan big data spatio-temporal survei dan penginderaan jauh dalam persepsi alam dan sosial, kognisi dan penalaran.Harapannya subjek survei dan penginderaan jauh akan mencapai perkembangan yang hebat di era kecerdasan buatan.
Baik di dunia akademis, industri, atau kehidupan publik, kecerdasan buatan saat ini menjadi topik terpanas, dan juga bidang yang paling cepat berkembang. Melihat kembali proses pengembangan kecerdasan buatan, Konferensi Dartmouth pada tahun 1956 menandai dimulainya penelitian kecerdasan buatan. Setelah 60 tahun pengembangan, telah terjadi dua pasang surut. Setiap booming merupakan terobosan baru dalam algoritma kecerdasan buatan, seperti 50 Pada 1980-an, teori jaringan saraf dikemukakan, dan algoritma propagasi mundur muncul pada 1980-an. Dan setiap kali surut adalah bahwa keterbatasan kinerja komputasi dan skala data tidak dapat memenuhi kebutuhan aplikasi praktis, yang mengarah pada pengabaian pemerintah dan investasi. Sejak 2013, algoritme jaringan saraf yang diwakili oleh pembelajaran dalam telah menjadi intinya. Didorong oleh aplikasi data besar dan unit pemrosesan grafis (GPU) berskala besar, algoritme tersebut telah mencapai atau melampaui bidang pengenalan suara dan pengenalan gambar. Tingkat rata-rata manusia telah mengantarkan pada klimaks ketiga dari penelitian kecerdasan buatan. Saat ini, orang tidak hanya sering melihat laporan penelitian kecerdasan buatan dan kemajuan teknologi, seperti AlphaGo mengalahkan pemain Go manusia, robot Boston Dynamics membuat beberapa gerakan sulit seperti jungkir balik, dll, tetapi juga dari waktu ke waktu merasakan dampak kecerdasan buatan terhadap kehidupan. Seperti robot penyapu yang baru ditambahkan di rumah, "pembersihan muka" dari lubang rel kecepatan tinggi, terjemahan instan ponsel, dll. Semua ini memproklamirkan bahwa dunia sedang memasuki era kecerdasan buatan, dengan perkembangan pesat dan pengaruh yang luas. Perkembangan pesat kecerdasan buatan akan berdampak besar pada semua lapisan masyarakat. Banyak industri yang mungkin lenyap dalam perubahan ini, dan beberapa industri akan mencapai perkembangan yang hebat. Survei, pemetaan dan penginderaan jauh adalah bidang yang erat kaitannya dengan kecerdasan buatan. Di bawah latar belakang ini, ada peluang pengembangan dan krisis besar. Artikel ini akan fokus pada pembahasan.
Kecerdasan buatan dapat dibagi menjadi 6 arah penelitian. Visi mesin, termasuk rekonstruksi tiga dimensi, pengenalan pola, pemahaman gambar, dll .; Pemahaman dan komunikasi bahasa, termasuk pengenalan ucapan, sintesis, dialog manusia-komputer, terjemahan mesin, dll .; Robotik, termasuk mekanika, kontrol, desain, perencanaan gerak, Perencanaan tugas, dll .; kognisi dan penalaran, termasuk kognisi dan penalaran dari berbagai akal sehat fisik dan sosial; game dan etika, termasuk interaksi, konfrontasi, dan kerja sama berbagai agen (agen), robot dan integrasi sosial, dll .; mesin Studi, termasuk berbagai pemodelan statistik, alat analisis dan metode perhitungan.
3 item pertama adalah penampilan seperti manusia, yang merupakan bagian yang berhubungan dengan dunia luar. Dianalogikan dengan panca indera manusia (mata, telinga, hidung, lidah, tubuh), arah penelitian kecerdasan buatan meliputi ketiga indera. Penglihatan mesin setara dengan mata manusia, dan pemahaman ucapan serta interaksi setara dengan telinga manusia. Robotika terutama mempelajari organ bergerak dari robot cerdas, termasuk kaki yang bergerak, manipulator yang bekerja, dan tubuh jungkir balik. Tiga item terakhir setara dengan fungsi otak manusia. Kognisi dan penalaran adalah kemampuan dasar yang perlu dimiliki seorang agen. Bisa berupa kognisi dan penalaran sederhana, atau kognisi dan penalaran tingkat lanjut yang kompleks, serta proses kognisi dan penalaran. Ini dapat didorong oleh algoritme komputer, atau secara langsung didorong oleh aturan atau pengetahuan yang ada; pembelajaran mesin adalah proses untuk meningkatkan pengetahuan agen dan meningkatkan tingkat kognisi dan penalaran agen; permainan dan etika adalah kecerdasan yang lebih maju, tidak hanya Ini melibatkan kolaborasi antara agen dan agen, serta kolaborasi dan integrasi antara manusia dan agen. Agen dapat menyertakan satu atau beberapa aspek kecerdasan. Misalnya, terjemahan mesin hanya dapat mencakup pemahaman bahasa dan pembelajaran mesin, tetapi pengenalan wajah dapat mencakup visi mesin, pembelajaran mesin, serta kognisi dan penalaran. Ketika seorang agen memiliki enam aspek kecerdasan di atas, ia mungkin memasuki era kecerdasan yang kuat.
Kapan kita bisa memasuki era kecerdasan yang kuat dan apa tandanya era kecerdasan yang kuat, penulis memberi contoh. Jika suatu saat robot dan manusia memainkan permainan sepak bola dan menang, dapat dianggap bahwa era kecerdasan yang kuat telah tiba. Pasalnya, kompetisi semacam ini menuntut robot tidak hanya memiliki kemampuan dari enam aspek di atas, tetapi juga harus cukup maju untuk mengalahkan manusia. Mungkin perlu waktu puluhan tahun bagi kecerdasan buatan untuk mencapai level ini.
Banyak teknologi turunan dalam pengembangan kecerdasan buatan dapat digunakan di bidang lain dan dapat mendorong perubahan teknologi di bidang lain. Industri teknologi cerdas membentuk tuntutan baru atas kecerdasan di berbagai bidang dari makro hingga mikro, yang akan membentuk kembali struktur ekonomi global, menelurkan teknologi baru, produk baru, industri baru, format baru, dan model baru, serta menciptakan ekonomi cerdas, masyarakat cerdas, dan kehidupan cerdas. Survei, pemetaan, dan penginderaan jauh adalah bidang subjek yang terkait erat dengan kecerdasan buatan. Fotogrametri dan penginderaan jauh serta visi mesin memiliki banyak konsep, prinsip, teori, metode, dan teknologi. Semuanya adalah teknologi yang digunakan untuk memahami lingkungan; perbedaannya adalah bahwa fotogrametri dan penginderaan jauh terutama memahami bumi dan lingkungan alam, sedangkan visi mesin Ini terutama mempersepsikan target dan lingkungan yang diperhatikan agen, tetapi prinsip mereka dalam matematika dan fisika pada dasarnya sama. Pembelajaran mesin, terutama perkembangan pesat metode pembelajaran mendalam dalam beberapa tahun terakhir, telah diterapkan secara luas dan efektif dalam visi mesin, pengenalan pola, pemahaman ucapan, dll. Dapat dikatakan sebagai teknologi revolusioner, dan juga digunakan secara luas di bidang fotogrametri dan penginderaan jauh. aplikasi. Kognisi dan penalaran adalah kecerdasan yang lebih luas, yang akan sangat berguna dalam penambangan data besar spasial dan kota pintar. Artikel ini akan membahas penerapan machine vision, machine learning, serta kognisi dan penalaran dalam mata pelajaran survei, pemetaan, dan penginderaan jauh.
1. Machine vision dan aplikasinya dalam bidang fotogrametri dan penginderaan jauh
Visi mesin, atau visi komputer, adalah disiplin ilmu yang mempelajari penggunaan kamera dan komputer, bukan mata manusia, untuk mengidentifikasi, melacak, dan mengukur target. Secara garis besar, computer vision mencakup pemrosesan gambar, rekonstruksi dan pengenalan target, analisis pemandangan, pemahaman gambar, dan sebagainya. Dalam arti sempit, computer vision biasanya memperoleh informasi tiga dimensi dari pemandangan yang sesuai dengan memproses gambar atau video yang dikumpulkan, yaitu rekonstruksi tiga dimensi.
Pada 1940-an, Julesz dari Bell Labs menemukan bahwa peta disparitas apa pun dapat mengembalikan pengertian tiga dimensi, tanpa perlu mengenali makna satu gambar terlebih dahulu; sebelum ini, psikolog dan ahli saraf percaya bahwa orang perlu mempersepsikan untuk menghasilkan indra tiga dimensi. Dari sini, Marr menyadari bahwa proses saraf dan psikologis yang kompleks dapat diekspresikan dengan perhitungan matematis langsung, dan mengusulkan teori visi komputasi rekonstruksi tiga dimensi. Dalam "Visi: Mempelajari Ekspresi Informasi Visual Manusia dan Pemrosesan dari Perspektif Komputasi" yang diterbitkan pada tahun 1982, ia menganalisis secara detail ekspresi gambar dua dimensi, korespondensi dan rekonstruksi gambar tiga dimensi, realisasi algoritma dan perangkat keras, yang merupakan pelopor visi komputer. Untuk. Tahun 1980-an juga merupakan masa keemasan pertama dari visi komputer. Banyak algoritme dan operator klasik, seperti deteksi tepi Canny, bentuk dari bayangan, transformasi Hough, LoG (Laplace of Gaussian), dll., Berasal dari tahun 1970-an dan 1980-an. Selain pemrosesan gambar, visi komputer awal juga difokuskan pada geometri dan rekonstruksi 3D. Namun, sebelum komputer dan kamera digital matang, kondisi fotogrametri dan computer vision saat itu masih jauh dari teori rekonstruksi tiga dimensi yang dikemukakan oleh Marr.
Serupa dengan computer vision, fotogrametri adalah subjek yang menggunakan foto optik untuk mempelajari bentuk, posisi, ukuran, karakteristik, dan hubungan saling posisi objek. Singkatnya, fotogrametri menggunakan fotografi sebagai alat ukurnya. untuk tujuan tertentu. Faktanya, sejarah fotogrametri mendahului penglihatan komputer. Pada awal abad ke-19, profesor Jerman Schultz menemukan bahwa campuran perak akan berubah menjadi hitam di bawah sinar matahari; pada tahun 1839, pelukis Prancis Daguerre menemukan metode fotografi pelat perak dan menghasilkan kamera asli pertama di dunia; pertengahan abad ke-19 , Fourcade, seorang surveyor Perancis dan pelopor fotogrametri, pertama kali menemukan bahwa foto stereoskopik dapat digunakan untuk merekonstruksi penglihatan stereo, yang mendorong lahirnya fotogrametri. Dalam tahun-tahun panjang berikutnya, kamera dan foto membantu orang merekonstruksi objek tiga dimensi di permukaan bumi di bagian dalam, sehingga pekerjaan survei lapangan dipindahkan ke dalam ruangan. Pekerjaan "bisnis dalam" menjadi bagian utama, dan foto serta instrumen fotogrametri menggantikan tripod, teodolit, dan penggaris, dan menjadi objek penelitian utama. Dengan perkembangan teknologi dirgantara, fotogrametri berbasis kendaraan dirgantara telah muncul. Dalam Perang Dunia Pertama, kamera udara pertama keluar, dan alat ukur koordinat tiga dimensi dan instrumen pemetaan tiga dimensi 1318 digunakan, menandai pembentukan awal teori, metode dan sistem teknis fotogrametri udara. Pada tahun 1957, satelit pertama diluncurkan ke luar angkasa, dan pada saat yang sama dimulailah era fotogrametri satelit.
Pada tahun 1973, Boyle dan Smith dari Bell Labs menemukan perangkat yang digabungkan dengan biaya (CCD), yang menyebabkan lahirnya era kamera digital dan fotogrametri digital. Teknologi fotografi digital yang diwakili oleh perangkat pencitraan digital CCD / komplementer metal oxide semiconductor (CMOS) telah membuka peluang penelitian tentang teori dan metode fotogrametri digital. Sejak saat itu, komputer telah menjadi alat ukur utama, dan gambar digital serta algoritma fotogrametri telah menggantikan film dan instrumen fotogrametri sebagai objek penelitian utama, membentuk teori, metode, dan sistem teknis fotogrametri digital saat ini. Pada saat yang sama, visi komputer juga berkembang pesat dan menjadi arah populer di bidang komputer.
Setelah tahun 1990-an, kedua bidang tersebut dipromosikan dengan kuat oleh teknologi pencitraan digital dan teknologi komputer. Dari segi geometri saja, kedua disiplin ilmu tersebut memiliki landasan teori yang sama, yaitu prinsip pencitraan lubang kecil dan penglihatan binokuler. Namun dalam aplikasi dan detail teknis, terdapat perbedaan antara keduanya. Misalnya, fotogrametri digital terutama digunakan untuk survei dan pemetaan medan yang relatif statis, menggunakan platform penerbangan dan kedirgantaraan, kamera yang digunakan biasanya adalah kamera pengukur profesional; sedangkan penglihatan komputer terutama digunakan untuk kamera biasa, platform seluler yang dipasang di kendaraan dan manual untuk olahraga Rekonstruksi real-time dan pengenalan target, area aplikasi termasuk pengenalan wajah, robot dan kendaraan tak berawak dan aplikasi populer lainnya. Dalam hal metode teknis, seperti kalibrasi kamera, fotogrametri umumnya dilengkapi dengan bidang kalibrasi tiga dimensi presisi tinggi, dan computer vision sering kali menggunakan papan catur bidang dua dimensi. Dalam triangulasi udara, fotogrametri pada umumnya menggunakan metode penyetelan jaringan area metode sinar yang ketat, dan dalam computer vision umumnya disebut dengan structure from motion (SfM). Selain menggunakan penyesuaian metode pancaran global, juga menggunakan Beberapa solusi non-global, seperti penyesuaian lokal tambahan, pemfilteran, dll.; Perbedaan ini berasal dari kebutuhan akan akurasi pengukuran yang lebih tinggi dalam fotogrametri. Selain itu, ada beberapa konsep ekuivalen yang memiliki nama berbeda karena perkembangan disiplin ilmu. Misalnya, deteksi kesalahan kotor dalam penyesuaian, metode yang disebut iterasi pemilihan bobot dalam fotogrametri, dan metode peluruhan bobot dalam visi komputer; dan untuk mengatasi masalah bahwa matriks koefisien persamaan normal (yaitu, matriks Hessian) dekat dengan singularitas, komputer Algoritme LM (Levenberg-Marquardt) biasanya digunakan dalam penglihatan, dan metode estimasi punggungan biasanya digunakan dalam fotogrametri. Secara umum, ketelitian teori dalam computer vision lebih tinggi dari pada fotogrametri, dan perkembangan algoritmanya juga sangat cepat.Tentu saja, di sisi lain, fotogrametri mungkin lebih menguntungkan dalam hal teknik dan kepraktisan.
Gambar 1 Menggunakan metode penyesuaian jaringan regional untuk menavigasi dan menemukan robot Mars
Dapat dilihat bahwa fotogrametri dan computer vision memiliki banyak kesamaan dalam prinsip, metode dan aplikasinya. Setelah memasuki abad ke-21, kecepatan integrasi keduanya telah ditingkatkan lebih jauh, dan persimpangan teknis antara keduanya adalah drone dan platform seluler yang dipasang di kendaraan. Arah pengembangan penting fotogrametri adalah sistem pengukuran bergerak di darat, yang dapat digunakan untuk mengumpulkan pemandangan jalan dan jalan; sementara visi komputer juga berfokus pada ekstraksi dan rekonstruksi informasi jalan, dan digunakan dalam robot, peta kota, transportasi cerdas, dan kendaraan otonom. Pada saat yang sama, teknologi fotografi udara drone tidak hanya merupakan teknologi pengukuran yang nyaman dan cepat dalam fotogrametri, tetapi juga fokus visi komputer di masa depan.
Karena berkumpulnya para sarjana penelitian di bidang visi komputer dan berbagai aplikasi, sejumlah besar teori dan metode baru telah dikembangkan. Pekerja fotogrametri harus merangkul teknologi baru dalam perubahan teknologi ini, belajar integrasi lintas batas, dan bermain untuk keuntungan mereka dan menyumbangkan kebijaksanaan mereka, sehingga disiplin mereka dapat menjadi tak terkalahkan, dan pada saat yang sama mempromosikan bersama dengan disiplin ilmu lain Perkembangan ilmu kecerdasan.
Gambar 2 Mobil self-driving dan robot cerdas dalam ruangan yang dikembangkan oleh Universitas Wuhan
2. Pembelajaran mesin dan aplikasinya dalam bidang fotogrametri dan penginderaan jauh
Arah penting dari perkembangan kecerdasan buatan saat ini adalah pembelajaran mesin. Sejak John McCarthy mengusulkan konsep kecerdasan buatan pada tahun 1955, pembelajaran mesin telah menjadi arah penting kecerdasan buatan. Prinsip dasar machine learning adalah menemukan fungsi tertentu yang bisa mendapatkan pemetaan yang benar atau optimal antara data dan kategori. Ide pembelajaran statistik tidak hanya digunakan dalam pembelajaran mesin untuk waktu yang lama, tetapi juga banyak digunakan di bidang fotogrametri dan penginderaan jauh, seperti metode pengenalan dan klasifikasi target yang diawasi dan tidak diawasi. Kemajuan penelitian dari klasifikasi citra penginderaan jauh yang diawasi dan tidak diawasi berdasarkan pembelajaran statistik tradisional dan metode jaringan saraf klasik sangat lambat, dan keakuratan serta keakuratan klasifikasi dari pengenalan target sulit untuk ditingkatkan secara signifikan. Pembelajaran mesin telah secara efektif mengubah situasi ini.
Pada tahun 2006, penelitian Hinton menunjukkan bahwa penggunaan algoritma rakus lapis demi lapis dapat mencapai pelatihan jaringan neuron dalam, dan konsep pembelajaran dalam telah muncul. Terobosan algoritma pembelajaran mendalam berasal dari karya luar biasa LeCun Yann, Bengio Yoshua dan Hinton Geoffrey dalam jaringan konvolusional yang dalam. Mereka mengekstrak fitur abstrak gambar melalui pemrosesan konvolusi dalam multi-lapisan, yang awalnya sangat bergantung pada pengalaman perancang algoritme. Kemajuan penelitian saat ini telah mampu melatih jaringan yang dalam, memilih fitur yang berbeda sesuai dengan tugas target yang berbeda, dan mencapai terobosan dalam metode dan praktik kecerdasan buatan. Pada tahun 2012, dalam Tantangan ImageNet, metode pembelajaran mendalam memenangkan tempat pertama dan melampaui metode pembelajaran mesin tradisional sebesar 10 poin persentase dalam satu gerakan; perbedaan antara tempat kedua dan keempat tidak lebih dari 1%, menunjukkan batas atas metode tradisional. Eksperimen selanjutnya telah menunjukkan bahwa pembelajaran mendalam memiliki keunggulan dalam klasifikasi gambar, pengenalan objek, pengenalan suara, aplikasi penginderaan jauh, dan bidang penelitian lainnya tentang pembelajaran dan semantik, dan era pembelajaran mendalam telah dimulai.
Selain pemrosesan bahasa alami (NLP), aplikasi pembelajaran mendalam yang paling penting adalah pada gambar visual, seperti pengenalan font tulisan tangan, klasifikasi gambar alami, dan pengambilan target. Pembelajaran mendalam banyak digunakan di bidang visi komputer, yang telah mempromosikan pengembangan teknologi terkait seperti pengenalan wajah, robot, dan kendaraan tanpa pengemudi. Karena objek penelitian fotogrametri juga citra visual, maka fotogrametri menjadi salah satu subjek yang paling diuntungkan dari pengembangan deep learning.
Dua tugas utama fotogrametri adalah penentuan posisi geometri target dan ekstraksi atribut, termasuk rekonstruksi geometri 3D dari foto 2D dan klasifikasi fitur. Penerapan deep learning pada pemosisian geometris belum memasuki bidang penelitian fotogrametri, tetapi telah muncul di bidang computer vision yang terkait erat, seperti SfM dan SLAM. Namun, akurasi posisi metode pembelajaran mendalam saat ini tidak dapat dibandingkan dengan metode tradisional, yang besarnya berbeda. Untuk teknologi kunci dalam pencocokan padat rekonstruksi 3D, pembelajaran mendalam telah mencapai hasil aplikasi yang baik. Misalnya, pada kumpulan data standar seperti KITTI, 10 metode teratas adalah semua metode pembelajaran mendalam, yang menunjukkan potensi penerapan metode pembelajaran mendalam.
Tugas utama lain dari pembelajaran mendalam di bidang fotogrametri, yaitu ekstraksi semantik gambar, telah membuat kemajuan penting dan mulai digunakan secara luas. Ekstraksi fitur seperti bangunan berbasis gambar dan jaringan jalan telah menjadi topik hangat selama beberapa dekade. Meskipun metode klasik telah mencapai hasil tertentu, masih jauh dari perangkat lunak praktis, pasar, dan komersial. Jaringan saraf konvolusional (CNN) telah menjadi metode utama ekstraksi jaringan jalan. Literatur mencapai ekstraksi jaringan jalan dan ekstraksi garis tengah jalan secara bersamaan melalui CNN ujung ke ujung yang mengalir. Dibandingkan dengan metode lain, akurasi klasifikasi lebih tinggi. Literatur menggunakan CNN yang dikombinasikan dengan konvolusi integral garis untuk mengatasi ketidaklengkapan jaringan jalan yang disebabkan oleh bayangan pohon dan bayangan rumah. Literatur menggunakan pembelajaran mendalam untuk meningkatkan akurasi ekstraksi jalan dari pemandangan kota yang kompleks melalui penerapan praproses pembelajaran tanpa pengawasan dan korelasi spasial. Literatur menggunakan CNN untuk mengekstrak bangunan dari citra satelit multispektral resolusi tinggi. Literatur melakukan konvolusi dua dimensi pada bidang citra dan konvolusi satu dimensi dalam arah spektral untuk mengekstrak fitur spasial dan spektral citra, dan mencapai akurasi klasifikasi tanaman yang lebih baik daripada hutan acak dan NLP yang terhubung sepenuhnya. Xiao Zhifeng dan yang lainnya menggunakan metode pembelajaran mendalam untuk melakukan pengambilan semantik pada gambar penginderaan jauh resolusi tinggi di peta langit, dan mampu mengambil 37 jenis objek darat dengan tingkat akurasi lebih dari 90%. Saat ini, pembelajaran mendalam telah banyak digunakan dalam klasifikasi, pengenalan, pengambilan dan ekstraksi citra penginderaan jauh, dan pada dasarnya telah menghancurkan metode tradisional dalam hal semantik. Tabel 1 menunjukkan sistem pengambilan konten citra penginderaan jauh berdasarkan metode deep learning yang dikembangkan oleh Xiao Zhifeng dan lainnya. Seperti yang dapat dilihat dari Tabel 1, penarikan dan akurasi metode ekstraksi fitur citra penginderaan jauh (jaringan saraf konvolusional dalam, DCNN) berdasarkan jaringan saraf konvolusional dalam yang digunakan di sini jauh lebih tinggi daripada LBF-HF tradisional (histogram pola biner lokal Fourier) dan EFT-HOG (elliptic Fourier transform-histogram dari gradien berorientasi), akurasinya lebih tinggi 20% ~ 30%.
Tabel 1 Perbandingan akurasi antara metode pengambilan konten gambar menggunakan pembelajaran mendalam dan metode tradisional
Gambar 3 Metode pembelajaran mendalam diterapkan pada pemfilteran data cloud titik untuk secara otomatis mengekstrak model elevasi digital
3. Kognisi dan penalaran berdasarkan data besar ruang-waktu
Gambar 4 Hubungan antara dunia fisik, masyarakat manusia dan ruang informasi
Berbeda dengan teori dan metode yang relatif lengkap di bidang kecerdasan buatan seperti computer vision dan deep learning, teori dan metode kecerdasan buatan untuk dunia fisik dan kognisi dan penalaran sosial manusia masih sangat belum matang dan terfragmentasi. Namun hal ini tidak menghalangi masyarakat untuk menggunakan metode analisis big data untuk melakukan penelitian dan penerapan smart city dan smart community dalam kerangka artificial intelligence.
Setelah beberapa dekade berkembang, sistem informasi geografis memiliki teori dan metode analisis spasial yang relatif lengkap. Namun, teori dan metode analisis dan penambangan data spasiotemporal dengan jaringan sensor dan perangkat penginderaan sosial belum cukup matang, dan saat ini mengalami perkembangan pesat.
Gambar 5 Diagram skematis jaringan sensor pengamatan langit-bumi di Wilayah Sungai Yangtze
Data spatio-temporal dari perangkat penginderaan sosial merupakan jenis data baru dengan struktur dan bentuk yang lebih beragam. Misalnya, data Internet sebagian besar adalah data teks multimedia, data jalur navigasi adalah data koordinat titik streaming, data pengawasan video adalah data gambar, dan data ponsel pintar mencakup teks, koordinat titik, dan gambar. Data ini kompleks dan beragam, beberapa di antaranya memiliki label spasiotemporal yang jelas, dan beberapa memerlukan analisis dan pemrosesan untuk menambahkan label spasiotemporal. Saat ini, para sarjana di banyak bidang, termasuk aplikasi komputer, survei dan penginderaan jauh, ilmu informasi geografis, perencanaan dan manajemen kota, dll., Semuanya tertarik pada data spasial-temporal dari persepsi sosial.Mereka percaya bahwa data adalah subjek yang muncul di persimpangan ilmu sosial dan informasi, dan itu adalah konstruksi Cara yang efektif untuk kota pintar dan komunitas pintar.
Gambar 6 Mengungkap area kegiatan utama, pusat dan batas komunitas penduduk Shenzhen berdasarkan informasi lokasi ponsel
4. Kesimpulan
Kecerdasan buatan memicu revolusi teknologi dan industri. Survei, pemetaan, dan penginderaan jauh adalah penerima manfaat dan kontributor teknologi kecerdasan buatan. Fotogrametri bergerak dari statis ke dinamis dan real-time, dan akan sangat terintegrasi dengan visi komputer; penginderaan jauh menggunakan teknologi kecerdasan buatan untuk memecahkan masalah interpretasi gambar dan ekstraksi informasi otomatis; data spasial-temporal besar-besaran yang diperoleh oleh Internet, Internet of Things, dan jaringan sensor adalah darah dari kecerdasan buatan , Memberikan dukungan untuk pembelajaran mesin, keputusan dan layanan cerdas. Artikel ini pertama kali mengulas sejarah fotogrametri dan visi mesin, dan menganalisis hubungan erat antara keduanya. Kemudian, ide-ide dasar dari pembelajaran mendalam dan jaringan saraf konvolusional diperkenalkan; perkembangan terkait dalam fotogrametri dan penginderaan jauh, visi komputer, pembelajaran mesin dan bidang lainnya dianalisis, serta penerapan pembelajaran mendalam dalam pengambilan target citra penginderaan jauh dan pemrosesan data pengukuran tinggi laser. Aplikasi; Terakhir, potensi data spasiotemporal yang diperoleh dengan metode survei, pemetaan, penginderaan jauh, dan persepsi sosial untuk kognisi dan penalaran alam dan sosial dianalisis, dan penerapan manajemen cerdas daerah aliran sungai dan perkotaan serta analisis berdasarkan data besar spasiotemporal diperkenalkan.
Menghadapi perkembangan pesat kecerdasan buatan, baik pekerja fotogrametri hanya melacak penerapan hasil computer vision atau mengambil inisiatif; apakah mereka hanya menggunakan metode pembelajaran mendalam yang ada atau membangun jaringan pembelajaran mendalam penginderaan jauh baru; bagaimana informasi persepsi sosial terkait dengan survei dan penginderaan jauh Fusi informasi digunakan untuk mengungkap perkembangan ruang fisik alami dan hukum perilaku dan aktivitas sosial manusia, dan untuk mengembangkan kecerdasan buatan yang lebih maju dan kompleks; ini adalah tugas dan tantangan baru yang dihadapi oleh pekerja survei, pemetaan, dan penginderaan jauh.
Sumber: "Journal of Wuhan University · Information Science Edition" 2018-12
- Fokus Titik inti pengintaian dan peringatan dini di wilayah udara Laut Barat Daya Jepang: Stasiun Radar Kumejima
- Dikatakan bahwa Singapura memiliki harga tinggi, dan panduan makanan tidak lebih dari SGD 5 diberikan kepada Anda!
- Satu orang meninggal setelah menabrak 3 mobil! Tidak ada pengemudi di dalam mobil? Kebenaran kecelakaan itu memalukan
- Tak disangka, makan hot pot dan sekedar menanyakan jenis minuman apa yang diminum bisa menimbulkan kekacauan besar