AI与遥感结合！利用深度学习实现对遥感影像中路网、车辆、桥梁...的提取
近年来，人工智能技术快速发展,深度学习方法在语义分割和目标检测与识别方面的成果有目共睹。卷积神经网络作为其核心算法，可以从海量数据中习得共性，即目标特征，进而做出正确判断。当“传统”遥感与人工智能结合利用深度学习技术会碰出什么火花？
今天来看看航天宏图的遥感智能解译云服务系统（PIE-Engine AI），看PIE-Engine AI如何采用面向遥感的深度学习技术，实现对遥感影像中的道路、车辆、桥梁、船只、飞机、机场的提取与自动化检测。
PIE-Engine AI
操作步骤
打开PIE-Engine官网：
https://engine.piesat.cn/ （点击文末阅读原文可跳转）需要先注册，登录。
选择遥感智能解译PIE-Engine AI。
然后，你需要基于样本协同标注平台进行样本集的生产，PIE-Engine AI支持上传个人数据集进行样本协同标注，也支持上传标准的样本数据集（影像+标签）；
遥感智能解译云服务系统自有样本情况
样本集生产完成后，导入样本库，基于模型自主训练平台建立训练任务，选择样本集和预置的网络模型结构，进行模型自主训练。
用户可利用平台内置的公共数据集、网络结构进行自动学习，也可以利用在线jupyter notebook编码优化网络结构后进行训练，同时支持私有和协同两种共享方式新建数据集、构建网络结构以及上传模型。
模型训练完成后就是进行影像解译。
PIE-Engine AI 目前支持通过3种途径进行影像解译。
模型训练完成后直接在影像智能处理平台进行影像的解译；
模型训练完成后通过模型部署发布平台进行部署发布；在影像智能处理平台利用发布的模型进行影像的智能解译；
模型训练完成后通过模型部署发布平台进行部署发布，模型发布成API接口应用服务；在遥感计算云服务平台中可以调用该模型进行实时动态的解译；
解译结果
01 路网
▐ 道路
数据：高分遥感影像（分辨率为2m）
PEI-AI利用ResNet50+Unet网络进行训练获得模型，采用逐像素预测算法实现道路自动提取。
局部道路检测结果
▐ 桥梁
数据：高分遥感影像（分辨率为1m）
PIE-Engine AI采用以RetinaNet为基础的卷积神经网络实现了桥梁的精确定位和识别。
北京局部区域桥梁检测结果
局部桥梁检测结果
02 交通工具
▐ 船只
数据：谷歌地球18级影像（分别率为0.5m）
PIE-Engine AI采用深度学习技术，精确定位并识别船只。
珍珠港舰船检测结果
局部舰船检测结果
▐ 车辆
数据：谷歌地球18级影像（分别率为0.5m）
PIE-Engine AI以YOLOv4为基础模型，从算法性能、运行效率方面进行优化。
美国罗福地区车辆检测结果
局部车辆检测结果
▐ 飞机
数据：高分遥感影像（分辨率为2m）
PIE-Engine AI通过融合YOLOv3模型和迁移学习策略，精确定位并识别飞机。
上海浦东机场检测结果
局部检测结果
03 交通枢纽
▐ 机场
数据：谷歌地球12级遥感影像（分辨率为32m）
PIE-Engine AI以Cascade-RCNN为基础，优化机场提取精度和效率。
北京和天津的机场检测结果
局部检测结果
空间大数据、物联网、人工智能等IT新技术飞速发展，遥感将迎来新的黄金发展期，AI与遥感的结合更是大大提高了数据的处理能力！利用经典网络结构，融合多尺度遥感数据特征，在PIE-Engine AI平台上训练出高精度交通体系要素模型，为道路、机场、桥梁、港口的规划和监测，提供时效性保障。如果想体验AI与遥感的结合可以登陆PIE-Engine官网，体验无代码深度学习模型开发。
- END -