【惊度】警惕AI军事间谍！美国科学家研究使用人工智能技术搜寻导弹阵地

2017-11-24 学术plus

本文转载自：量子位，文：安妮千平编译整理

【兼职】神秘岗位正在向你招手，敢来么？

【厚度】学术plus年终巨献：2017年你不可以错过的重磅报告们！（全文阅读链接）

就在我们的头顶之上，各种卫星（包括间谍卫星）像狗仔队一样，每天都围着地球疯狂拍下数十TB的照片。这个数量可以说是泛滥了。

每个情报机构都有一批训练有素的分析师，负责搜寻隐藏在海量卫星图像中未申报的核设施或秘密军事基地。

但面对如此海量的数据，据说美国的情报机构已经被错失恐惧症（FOMO）所笼罩。因为人类分析员能处理的图像数量有限，很可能错失真正重要的关键信息。

于是，AI来了。而且来得很恐怖。

前不久，美国研究人员训练出一个深度学习算法，用以识别“东亚某国”地空导弹基地。

这些算法比人类的速度快几百倍，高效找出分布在一块近9万平方公里区域内的地空导弹发射场。这种人工神经网络基于能够过滤和学习大量数据的人工神经元层，达到人类图像分析专家90%的准确率。

令人震惊的是，这种方法还将发现潜在导弹基地的时间从60小时（2.5天）减少到42分钟。

可怕之处在于，这只是公开的“民间”研究。

“用算法发现潜在的导弹基地位置，据我所知，这为人类节省了很多时间” 密苏里大学电气工程和计算机科学教授Curt Davis谈了谈他们的研究方向。

这个研究发表在10月的《应用遥感》杂志上，展示了一种用于大量卫星图像分析的深度学习模型，能够识别情报机构和国家安全专家可能感兴趣的目标。

△ 美国爱国者地空导弹系统运输起竖发射车（TEL）

挑战

在卫星图像分析中应用深度学习AI的挑战通常很难解决。

与人脸、地点或者物体识别相比，卫星图像对深度学习算法提出了更大的挑战。因为卫星图像会从多个角度进行拍摄，同一地点的建筑物可能在照片上是颠倒的，另外同一地点的不同时间里云层的变化也很不一样。

另一个主要问题是相对缺乏大型训练数据集，包括用于训练深度学习算法的手工标记的示例，需要用它来准确识别卫星图像的特征。

对此，Davis团队将全球约2200个地点的公共数据与影响解决方案商DigitalGlobe卫星图像结合在一起，创建自己的训练数据，然后通过测试四种深度学习模型找到最佳测试数据。

但研究人员手中确认的地空导弹基地图片只有90个。这样一个小型训练数据集通常无法产生准确结果。为了解决这个问题，Davis等人将原始图像稍微改变了方向，把90多个训练样本转换成大约893000个训练样本。

这项研究中的成绩很可能得益于导弹发射基地占地很大，在卫星图像上看也有独特的图案。

△ 两类常见的原型/对称地空导弹发射场

挑战接踵而至。

卫星图像之间的分辨率也差异很大。这让问题进一步变得复杂，想要深度学习算法效果最好，通常需要给定相同大小的图片。另外，除了可见光图像之外，不少卫星拍摄的还是红外或者其他光谱波段的图像。

在试图分析诸如移动导弹发射装置、雷达天线、移动雷达系统和军用车辆等较小的物体时，深度学习算法面临着一个更大的挑战，因为可用的卫星图像数据在提取识别特征时像素会减少。

“在我们的大脑中，CNN如何处理这样的小尺寸物体是一个悬而未决的问题，尤其是在大型数据集的测试中，就像我们在这次研究中所做的那样。”Davis说。

未来

种种的不完善，让深度学习面临巨大障碍。即使算法能够达到80%或90%的精度，专家仍然认为AI不具备接管整个工作的能力。

今年7月以来，各路高手纷纷开始在全球最大的卫星图像公开数据集上训练机器学习算法。这个数据集包含100万个带标签的对象，包括不同的建筑和设施。

这个数据集的提供者，是美国情报高级研究计划局（IARPA）。他们赞助举办的这次大赛，就是想找到一个更好的AI解决方案，分担人类分析员75%的工作。

（量子位插播，大赛地址在此：https://www.iarpa.gov/challenges/fmow.html）

共有10个团队进入到这次挑战的决赛阶段，整个比赛要下个月结束。

IARPA的项目经理Hakjae Kim说：“美国情报机构的手里已经有了一些方案，但速度和方法总是有提升的余地”。

“现在的技术状态，只有人与机器合作才能真正找到答案”，笛卡尔实验室CTO麦克·沃伦（Mike Warren）说。笛卡尔实验室已经把深度学习用于分析商业卫星图像，对美国玉米和大豆的收成进行预测。

即使不完美的AI工具也会有助于情报收集工作。

例如，国际原子能组织（IAEA）的任务是监测所有已申报的核设施，并在近200个国家中寻找未申报的设施。

加州的米德尔伯里国际研究所研究员Melissa Hanham表示，深度学习工具可以帮助IAEA和其他独立组织利用卫星图像监测发展核势力和大规模杀伤性武器的发展。

“我们就处于这样一个世界，”Hanham说，“我期待自动化将工作中乏味而多余的部分取代。”

美国科学家研究使用人工智能技术搜寻导弹阵地

本文转载自：现代军事，文：廖南杰

近期,人工智能(AI)技术已经被各大国提升至战略能力层面,其相关研究得到了政策和资金的大力支持。美媒认为,AI技术竞争不但是各国科研实力的全面比拼,更是新一轮先进军备竞赛的助推剂。在这方面,美国起步早、投入大,目前引领着技术发展的潮流。

据美国媒体11月21日报道,该国科学家正在研究使用AI技术研判卫星侦察图像,由此搜索对手的核设施、军事基地、导弹阵地等常规手段难以发现的高价值目标,这些目标往往受到严密保护且采取了多重隐蔽措施。科研人员表示,在AI技术的下,他们只需花费比以往更少的时间就能正确甄别目标,大大缩短了情报作业流程。

这项研究由密苏里大学地理空间情报中心(CGI)主导,使用了基于神经网络的AI系统和深度学习算法构建的基线版软件。在试验中,基线版软件在覆盖海域面积约为90000平方千米的卫星图像数据中识别出了多座地空导弹阵地,与专业照相侦察分析人员的判读结果进行对比后,其准确率超过90%,而耗时仅有42分钟,远远低于后者的60小时。

密苏里大学电子工程与计算机系教授,CGI主管科特·戴维斯在接受采访时表示,虽然数据处理速度较人工而言有了大幅度提升,但AI系统并不会“无的放矢”,而是在情报人员“判定某区域极有可能存在敌方高价值目标”的前提下,对该区域的侦察图像进行针对性识别。同时,为了保证结果的准确无误,AI系统标记的疑似目标必须经过资深专业人员的复核。即便需要遵循上述一整套流程,其工作时间也仅为数个小时。戴维斯指出,这项研究的重大意义在于:由此能够节省大量宝贵的时间,并对作战行动产生极为积极的影响。

CGI在今年10月6日出版的《应用遥感学报》上发表文章称,卫星图像研判工作必须着手利用大数据、云计算、AI等先进技术,否则“将被信息的洪流所淹没”。根据机构提供的数据,仅DigitalGlobe一家商业卫星公司,每天产生的图像数据就高达70TB,遑论其他拥有卫星的政府、军方和私营企业。

CGI在此次研发的基线版软件中大量应用了商业现货级深度学习模型,这些模型成熟可靠、成本较低,只需对其进行适用于图像分析处理作业的深度定制,就能轻松从海量数据中准确搜索符合情报部门和国家安全部门要求的潜在目标。CGI使用的深度学习模型包括谷歌公司研发的GoogleNet和微软公司研发的ResNet,二者的设计初衷都是识别传统照片和视频图像中的具体物体。戴维斯及其同僚经过努力,使得两种模型均具备了卫星图像识别能力,并能够兼容彩色图像和黑白图像。

戴维斯指出,该基线版软件在诸如“朝鲜等国土面积狭小的国家”时难以体现其真正价值,只有在扫描“中俄等幅员辽阔的大国”时才能充分发挥其实力。他解释称,国土面积狭小的国家难以长期隐藏其军事设施,大部分已被现有侦察手段发现;而国土广大的国家则具备多种地形地貌和大战略纵深,常规侦察手段无法全面覆盖,图像研判工作量极为惊人。在该软件的辅助下,每天更新的图像侦察数据会以叠加形式与之前的数据进行比对,新增的可疑目标将迅速标记在地图上,供分析人员复核,。“举例来说,如果发现了新增的地空导弹阵地,也许可以按图索骥寻找该阵地所保护的其他高价值目标”。

CGI认为,使AI系统具备判读卫星侦察图像且自动标记疑似高价值目标这项能力的难点,在于缺少足够的样本数据,从而开发通用算法并不断增强深度学习能力。为研发基线版软件,CGI通过搜集公开资料和从商业卫星公司购买高分辨率图片,在全球范围内标记出2200处已知的防空导弹阵地,由此制作出一套专用数据库,该数据库与多组深度学习模型进行了整合测试,最终确定了表现最佳的两组。并着力对其进行深化。

戴维斯透露,此次基线版软件在90000平方千米的区域中共成功识别出90处防空导弹阵地,这一数字背后是893000个样本数据的支撑。换言之,数据库中2200处防空导弹阵地的原始图像经过了不同拍摄角度、不同光线强度、不同阴影面积的复杂处理,被非常细碎地处理成了近百万个完全不同的数据。

戴维斯称,地空导弹阵地一般以特定规模部署(如连级、营级等,少有发射车或发射架单独出现),且地面有掩体、道路等人造工事,因此判读较为容易。CGI下一步计划验证AI系统能否有效识别轮式导弹发射车、机动雷达系统、弹炮一体防空系统、坦克装甲车辆等低特征目标,这些目标无需进驻工事,且难以从背景环境中剥离。

除美国军方外,国际原子能机构(IAEA)也对CGI的基线版软件表示了浓厚兴趣。蒙特雷国际研究院高级研究员梅丽莎·汉纳姆称,有了该软件的帮助,IAEA可以高效监督全球近200个国家的核开发与利用活动,这对于防止核武器扩散和降低核泄漏风险具有极为重要的意义。

欢迎大家评论

《 召集令 》

身怀学术绝技的你速速前来！

1，有学术水准：一定的专业学术水准是必须的！

2，有独到思想：具深度，广度，锐度者为最佳！

3，内容范畴：自然科学，社会科学等等不设限！

4，资讯或翻译类文章：符合上述条件的均可以。

学术plus咨询/投稿邮箱

xueshuplus@163.com