abstrait
Le développement rapide de tous les horizons de la technologie de l'intelligence artificielle aura un impact énorme. La cartographie et de la télédétection est un domaine étroitement lié de l'intelligence artificielle, dans l'environnement de développement rapide du domaine de l'intelligence artificielle, la discipline de cartographie par télédétection Jiyou bonne occasion pour le développement, nous sommes également confrontés à beaucoup de crise de la discipline. Tout d'abord introduit la catégorie de l'intelligence artificielle et des domaines connexes de cartographie et de télédétection, puis introduit deux zones populaires de l'intelligence artificielle - Progrès dans le domaine de la photogrammétrie et la vision de la machine à distance de détection et d'apprentissage machine RECONNAÎTRE Introduit finalement à partir des données grand espace-temps les progrès dans les connaissances et le raisonnement, montrant la grande cartographie temporelle et spatiale des données de télédétection dans la perception naturelle et sociale, la cognition et la perspective raisonnement, la cartographie et de la télédétection veulent obtenir grand développement dans la discipline de l'ère de l'intelligence artificielle.
Que ce soit dans le milieu universitaire, l'industrie ou la vie publique, l'intelligence artificielle, sont considérés comme l'un des plus chaud sujet d'actualité, est actuellement la plus forte croissance. Rappelant le développement de l'intelligence artificielle, l'intelligence artificielle de tenue ouverte les marques de conférence Dartmouth 1956, après 60 ans de développement, deux de deux vers le bas, chaque fois que la montée des algorithmes intelligence artificielle sont une nouvelle percée, comme 50 proposé la théorie des réseaux de neurones, 80 de l'algorithme de rétro-propagation, etc. apparaissent. La marée basse est calculée chaque limite de temps et à l'échelle des données de performance ne peuvent pas répondre aux besoins des applications pratiques, ce qui dans le froid et l'investissement du gouvernement. Depuis le début de 2013, la profondeur de l'apprentissage algorithme de réseau neuronal, a représenté le noyau, grâce à l'application à grande échelle dans la reconnaissance vocale, la reconnaissance d'image dans le domaine des grandes données et réaliser processeur graphique (unité de traitement graphique, GPU), plus encore que le niveau humain moyen, a marqué le début de la troisième vague de la recherche sur l'intelligence artificielle. Aujourd'hui, les gens peuvent non seulement voir les progrès technologiques et de recherche fréquemment rapportés dans l'intelligence artificielle, comme AlphaGo a battu le feu à la main humaine, robot de Boston Dynamics pour faire un saut périlleux et d'autres mouvements difficiles, mais peut aussi se sentir l'intelligence artificielle de la vie de temps en temps effets, tels que le robot de nettoyage à domicile a ajouté un nouveau arrêt de train à grande vitesse le « visage de brosse », traduction instantanée mobile. Ceux-ci sont tous déclarés monde dans l'ère de l'intelligence artificielle de, et le développement rapide de grande envergure. Le développement rapide de l'intelligence artificielle de l'impact énorme de tous les horizons de la vie, de nombreuses industries peuvent disparaître dans cette transformation, certaines industries auront un grand développement. La cartographie et de la télédétection est une étroite associée au domaine de l'intelligence artificielle de, les opportunités non seulement dans ce contexte de développement, mais aussi face à une grande crise, cet article se concentrera sur.
L'intelligence artificielle peut être divisé en six directions de recherche. vision de la machine, y compris la reconstruction en trois dimensions, la reconnaissance des formes, la compréhension de l'image, etc .; compréhension du langage et de la communication, y compris la reconnaissance vocale, la synthèse, le dialogue humain-ordinateur, la traduction automatique, robotique, y compris mécanique, le contrôle, la conception, la planification de mouvement, la planification de la mission, la cognition et le raisonnement, contenant une variété de conscience physique et sociale et le raisonnement de bon sens, jeu et de l'éthique, y compris plusieurs agents (agents) l'interaction, la confrontation et la coopération, les robots et l'intégration sociale; la machine apprentissage, y compris la modélisation, des outils d'analyse et les méthodes de calcul et d'autres statistiques.
3 est une apparence humanoïde avant, est en contact avec l'élément extérieur. Analogie traits du visage (yeux, oreilles, nez, langue, corps), la recherche sur l'intelligence artificielle qui comprenait trois officiers. Machine Vision équivalent à l'il humain, la compréhension de la parole et de l'interaction équivalente à l'oreille humaine, la robotique de recherche principaux robots intelligents organes mobiles, y compris la possibilité d'exercer les pieds, le robot peut fonctionner, peut retourner le corps et ainsi de suite. Ensuite, trois correspondant à la fonction du cerveau humain, la cognition et la capacité de raisonnement est un besoin fondamental d'avoir l'agent, il peut être une connaissance simple et le raisonnement, il peut être complexe cognitif et le raisonnement plus, la cognition et le raisonnement algorithmes informatiques peuvent être commandés, il peut être entraîné directement ou connaissance des règles existantes, l'apprentissage de la machine est un ensemble de connaissances à l'intelligence d'augmenter, d'améliorer le niveau de l'agent de processus cognitif et le raisonnement, le jeu est plus avancée et l'intelligence éthique, non seulement il implique une collaboration entre l'agent et l'agent, mais aussi aux synergies et à l'intégration entre le peuple et l'agent. Un agent intelligent peut contenir un ou plusieurs aspects, tels que la traduction automatique ne peut contenir que la compréhension de la langue et l'apprentissage de la machine, la reconnaissance faciale, mais peut inclure une vision de la machine, l'apprentissage de la machine et de la cognition et le raisonnement. Lorsqu'un agent intelligent avec plus de six termes, il peut entrer dans une ère forte intelligente.
Quand entrer dans l'ère de l'intelligence forte, ce qu'est l'intelligence signe fort du temps est que l'auteur donne un exemple. Si un jour un robot avec le comportement humain et gagner un match de football, il peut être considéré comme une ère forte intelligence. La raison en est que ce jeu nécessite le robot a la capacité de non seulement plus de six aspects et les aspects de la capacité d'être suffisamment élevé pour l'homme de battement. Pour atteindre ce niveau d'intelligence artificielle de, peut prendre plusieurs décennies.
processus de développement de l'intelligence artificielle dérivée de nombreuses techniques qui peuvent être utilisées dans d'autres domaines, et il est possible de promouvoir le changement technologique dans d'autres domaines. industrie de la technologie intelligente pour former une nouvelle demande intelligente de macro au micro dans divers domaines, va remodeler la structure économique mondiale, la naissance d'une nouvelle technologie, de nouveaux produits, de nouvelles industries, de nouveaux formats, nouveau modèle, pour créer une économie intelligente, la vie sociale intelligente et intelligente. La cartographie et de la télédétection est un domaines étroitement liés de l'intelligence artificielle. Photogrammétrie et de télédétection et de nombreux concepts de vision industrielle, les principes, la théorie, la méthode et le chevauchement de la technologie, ils sont utilisés pour détecter l'environnement technique, la différence est principalement et photogrammétrie terre Télédétection et environnement naturel, et la vision industrielle la principale préoccupation est la perception de l'agent cible et l'environnement, mais ils sont les principes en mathématiques et en physique fondamentalement les mêmes. l'apprentissage de la machine, en particulier l'apprentissage de la profondeur du développement rapide ces dernières années, a été l'application largement efficace dans la vision de la machine, la reconnaissance des formes, la compréhension de la parole, on peut dire d'être une technologie révolutionnaire dans le domaine de la photogrammétrie et de télédétection a été largement application. Cognitive et le raisonnement est une intelligence plus large, en termes de temps et de l'espace de grandes villes telles que l'exploration de données et la sagesse sera utile. Cet article traite de l'application de la vision de la machine, l'apprentissage machine et cognitive et le raisonnement dans la discipline d'arpentage.
1, Vision et applications machine à photogrammétrie et de télédétection art
la vision de la machine dit ou la vision par ordinateur, est une discipline de recherche au lieu de l'oeil humain à la reconnaissance de la cible, le suivi et la mesure en utilisant des caméras et des ordinateurs. De façon générale, la vision par ordinateur, y compris le traitement d'image, la reconstruction et le contenu de la reconnaissance de la cible, l'analyse de la scène, l'image compréhension similaire. Au sens strict, en général par l'image de vision par ordinateur ou la capture vidéo est traité pour obtenir l'information de scène en trois dimensions correspondant, à savoir, la reconstruction en trois dimensions.
1940, Bell Labs a constaté que toute disparité carte Julesz peut récupérer en trois dimensions, sans reconnaissance préalable de la signification d'une seule image, Avant psychologiques et neuroscientifiques pense que les gens doivent être conscients afin de produire en trois dimensions. Ainsi Marr reconnaît la complexité des processus neuronaux et psychologiques disponibles expression directe des calculs mathématiques et la théorie visuelle de l'informatique mis en avant une reconstruction en trois dimensions. En 1982, il a publié « Vision: Du point de vue du traitement de l'information visuelle expression et étude du calcul de » analyse détaillée de l'expression, et l'algorithme de reconstruction correspondant et la réalisation d'images en deux dimensions des images en trois dimensions de matériel, vision par ordinateur pionnier faire. 1980 est également le premier alinéa de l'âge d'or de la vision par ordinateur. De nombreux algorithmes classiques et les opérateurs, tels que la détection de Canny, la forme de l'ombrage, transformée de Hough, logarithmiques (Laplace de gaussienne) sont tous pris naissance 70--80 ans. En plus de traitement d'images, vision par ordinateur également préoccupé par la reconstruction rapide géométrique et en trois dimensions. Cependant, avant que les ordinateurs et les appareils photo numériques n'a pas encore mature, la reconstruction tridimensionnelle de l'état théorique de la photogrammétrie et la vision informatique préconisée par l'époque encore loin de Marr.
Vision par ordinateur et photogrammétrie semblable est une photographie optique d'une étude de sujet de la forme de l'objet, la position du sujet, la taille et les caractéristiques de la relation de position mutuelle, en bref, est une photogrammétrie de la photographie comme outil de mesure dans le but. En fait, l'histoire de la photogrammétrie longtemps avant que la vision par ordinateur. Au début du 19e siècle professeur allemand Schultz a constaté qu'un mélange d'argent devient noir en plein jour, 1839, peintre français Daguerre a inventé le daguerréotype, et produit la première véritable caméra dans le monde, le milieu du 19e siècle des scientifiques français mesurent et pionnier de photogrammétrie Fourcade d'abord découvert avec des images stéréoscopiques en trois dimensions peuvent être reconstruites, contribuant ainsi à la naissance de la photogrammétrie. Au cours des longues années plus tard, des caméras et des photos pour aider les gens à le terrain de la surface de la Terre et de la reconstruction en trois dimensions dans la salle, qui sera transporté à l'intérieur de travail d'enquête sur le terrain. « Au sein de l'industrie » est devenu le principal travail, des photos et des équipements photogrammétrie pour remplacer le trépied, théodolite et souverain, est devenu l'objet principal de l'étude. Avec le développement de la technologie aérospatiale aux véhicules aérospatiaux le transporteur de photogrammétrie est entré en être. Première guerre mondiale, la première étape instrument avènement de mesure de coordonnées en trois dimensions caméra air et le mettre traceur stéréo 1318 en service, marquant ainsi la théorie de la photographie aérienne, les levés, procédé de formation préliminaire et système de technologie. En 1957, le premier satellite à être lancé dans l'espace, et a ouvert l'ère de la photogrammétrie par satellite.
En 1973, Boyle et Smith chez Bell Labs a inventé le dispositif à couplage de charge (dispositif à couplage de charge, CCD), a conduit à la naissance de l'ère des appareils photo numériques et photogrammétrie numérique. Dans CCD / CMOS (semi-conducteur à oxyde de métal complémentaire, CMOS) dispositif d'imagerie numérique est mis sur la théorie et les méthodes de la technologie de la photogrammétrie numérique est représentée par la photographie numérique. Depuis lors, l'ordinateur est devenu l'outil principal pour la mesure de l'imagerie numérique et de l'algorithme photogrammétrie remplace le film photographique et les instruments de mesure deviennent l'objet principal de l'étude, a constitué la théorie actuelle photogrammétrique numérique, procédé et un système de technologie. En même temps, il a également été le développement rapide de la vision informatique, la direction et devenir un champ informatique à chaud.
Après 90 ans, deux champs ont poussé la puissante technologie d'imagerie numérique et de la technologie informatique. Seule la géométrie, les deux disciplines ont la même raison d'être, que la vision binoculaire d'imagerie sténopé et principes. Mais dans l'application et les détails techniques, il y a une différence entre les deux. photogrammétrie numérique principalement pour la cartographie de terrain relativement statique, l'utilisation de l'air et des plates-formes spatiales, les caméras sont couramment utilisés pour la caméra de mesure professionnelle et vision par ordinateur principalement caméra ordinaire, plate-forme mobile manuel et basé sur la voiture, utilisé pour le sport reconstruction en temps réel et l'identification des applications cibles, y compris les applications de reconnaissance publique, la robotique et les véhicules sans pilote. Dans les méthodes d'art, telles que l'étalonnage de l'appareil, photogrammétrie généralement posée avec haute précision champ d'étalonnage en trois dimensions, et les deux dimensions carte de vision par ordinateur est souvent utilisé. Sur le plan de triangulation aérienne, photogrammétrique usage général réglage du bloc de faisceau serré, mais en vision par ordinateur, il est généralement appelé à récupérer d'une structure mobile (la structure du mouvement, SFM), en plus de la méthode d'ajustement global à l'aide du faisceau lumineux, mais aussi en utilisant une solution non globale, par exemple un ajustement incrémentiel partielle, filtration et similaires; photogrammétrie à partir de ces différences exigent une plus grande précision. En outre, il y a à peu près équivalent au concept, le développement des disciplines et des noms différents. Le procédé de détection de différence de réglage grossier choisi dans le droit itératif appelé photogrammétrie, en vision par ordinateur est appelé désintégration droite, un autre exemple de procédé pour le traitement de l'équation de matrice de coefficient (à savoir le Hessien) à proximité de problèmes singuliers, ordinateur algorithme, et un procédé d'estimation de crête de photogrammétrie utilisés couramment visuel LM (Levenberg-Marquardt). En général, la rigueur théorie de la vision par ordinateur que photogrammétrie, algorithme de développement est également très rapide, bien sûr, à l'inverse, l'ingénierie de la photogrammétrie et l'aspect pratique peut être plus dominante.
La figure 1 emploie la méthode de réglage bloc Mars de navigation du robot
Ainsi, la photogrammétrie et la vision de l'ordinateur sur les principes, les méthodes et les applications ont beaucoup d'endroits de similitudes. Au 21e siècle, l'intégration de la vitesse et améliorer encore le point technique d'intersection entre eux sont des drones et plate-forme mobile de voiture. Une direction du développement important du système de mesure mobile terrestre photogrammétrie qui peut être utilisé à la route Collect et de la rue, et la vision par ordinateur est également préoccupé par la reconstruction de l'information routière est extraite et appliquée au robot, cartes de la ville, l'intelligence de la circulation et la voiture auto-conduite. Pendant ce temps, le drone aérien technologie de photogrammétrie à l'avenir est l'objet d'une rapide et des techniques de mesure facile, la vision par ordinateur est concerné en plus.
Comme le domaine des universitaires de recherche de vision informatique recueillies et domaines d'application très large, le développement d'un grand nombre de nouvelles théories et méthodes. les travailleurs de photogrammétrie devraient intégrer les changements technologiques dans cette nouvelle technologie, apprendre à l'intégration des frontières et à jouer à leurs forces, contribuer leur sagesse, peut la propre invincible de la discipline, tout en favorisant avec d'autres disciplines le développement de la science intelligente.
Figure 2 Wuhan University a développé une voiture robot sans pilote avec intérieur intelligente
2, l'apprentissage de la machine et son application dans le domaine de photogrammétrie et de télédétection
À l'heure actuelle une orientation importante du développement de l'intelligence artificielle, l'apprentissage de la machine. Depuis 1955, John McCarthy a proposé le concept de l'intelligence artificielle, l'apprentissage machine comme une orientation importante de l'intelligence artificielle. Le principe de base est de trouver une sorte de fonction d'apprentissage de la machine correctement ou la cartographie optimale des données et de catégories. La pensée est non seulement basée sur l'apprentissage statistique utilisé depuis longtemps dans l'apprentissage de la machine dans le domaine de photogrammétrie et de télédétection ont été largement utilisés, tels que l'identification et la classification cible supervisée et non supervisée. Les progrès dans les images de télédétection d'étude statistique traditionnelle de surveillance et de classification non supervisée, ainsi que la méthode basée sur un réseau neuronal classique de yuans a été très lente, l'exactitude et la précision de l'identification des cibles est difficile de classer une augmentation substantielle de l'apprentissage machine effectivement changé le statu quo.
En 2006, la recherche a montré que Hinton un type d'algorithme glouton peut être mis en uvre par couche profondeur de la couche de formation du réseau de neurones, le concept de l'apprentissage en profondeur ainsi fait surface. algorithme d'apprentissage profondeur de LeCun Yann Percée, Bengio Yoshua et Geoffrey Hinton 3 éminents scientifiques au travail dans les réseaux de convolution profondeur. Ils convolution traitement par plusieurs couches de profondeur pour extraire des caractéristiques des images abstraites, qui dépendent de la profondeur de l'expérience originale de concepteur d'algorithmes. progrès de la recherche actuelle a été en mesure de former un réseau de profondeur pour sélectionner différentes fonctions en fonction des objectifs et des tâches à réaliser une percée dans les méthodes d'intelligence artificielle et pratiques. En 2012, dans IMAGEnet Défi, a remporté la première méthode la profondeur de l'apprentissage, et un coup plus que les méthodes traditionnelles d'apprentissage de la machine par 10 points de pourcentage, tandis que le deuxième à la quatrième place par plus de 1%, montrant les méthodes traditionnelles de plafond. Des expériences ultérieures ont démontré que beaucoup, tant dans le domaine de la recherche de la classification d'images, reconnaissance d'objets, la reconnaissance vocale, la télédétection applications et d'apprentissage sur la sémantique de la profondeur de l'apprentissage ont la haute main, ouvrant ainsi l'ère de l'apprentissage en profondeur.
Outre le traitement du langage naturel (traitement du langage naturel, la PNL), la profondeur des applications les plus importantes dans l'étude est une image visuelle, comme la reconnaissance de l'écriture manuscrite, la classification d'images naturelles et une cible de récupération comme. étude approfondie a été largement utilisé dans les domaines de la vision par ordinateur, promouvoir le développement vigoureux de la reconnaissance faciale, la robotique et les véhicules sans pilote et d'autres technologies connexes. Parce que l'étude a également photogrammétrie images visuelles, photogrammétrie est devenu l'un des avantages de l'apprentissage de la profondeur la plus rapide interdisciplinaire.
Les deux tâches principales de photogrammétrie est le but de positionner et de propriétés géométriques extraites, y compris la géométrie et la surface présente des éléments de la reconstruction en trois dimensions de classification de photographie à deux dimensions. étude approfondie n'a pas encore été appliquée à la recherche de positionnement géométrique dans le domaine de la photogrammétrie, mais est apparu dans des domaines étroitement liés de la vision par ordinateur, tels que SfM et SLAM. Cependant, la précision de positionnement de la profondeur des méthodes d'apprentissage ne peut actuellement pas être comparée à la méthode traditionnelle, une différence d'environ un ordre de grandeur. La technologie clé pour la reconstruction en trois dimensions - Match dense, la profondeur de l'apprentissage ont montré un bon effet de l'application. Sur les autres normes telles que jeu de données Kitti, les méthodes top 10 sont la méthode d'apprentissage en profondeur, montrent la profondeur de l'application potentielle des méthodes d'apprentissage.
Une autre tâche importante de mesurer une étude approfondie dans le champ de la photographie, à savoir l'extraction sémantique des images, puis a fait des progrès importants, et a commencé à des applications de propagation. Le nombre de bâtiments d'extraction de caractéristiques de l'image, les routes et autres réseaux basés sur des décennies a été un sujet brûlant. Bien que les méthodes classiques obtenu certains résultats, mais de la pratique, le marché, les logiciels commerciaux, il y a une certaine distance. réseau neuronal convolutif (convolutionnel de réseau neuronal, CNN) est devenue la méthode la plus courante pour l'extraction du réseau routier. CNN littérature en cascade fin tout en réalisant une extraction du réseau routier et de l'extraction de ligne médiane de la route, la comparaison avec d'autres méthodes, la précision de la classification supérieure. La littérature pour surmonter les arbres obscurcis par CNN en conjonction avec la ligne intégrale Convolution, les problèmes de réseau routier incomplètes causées par l'ombre des maisons. Littérature par l'application de prétraitement et apprentissage non supervisé de corrélation spatiale, l'utilisation de l'apprentissage en profondeur augmente considérablement la complexité de précision urbaine d'extraction de la scène de la route. CNN utilise la littérature pour obtenir une image satellite multispectrale à haute résolution de l'extraction du bâtiment. Littérature convolution dimensions sur le plan d'image, la convolution unidimensionnelle du spectre dans la direction, respectivement, dans lequel l'espace d'image extraites et les caractéristiques spectrales, et obtenu mieux que la connectivité complète et la précision de la classification des forêts au hasard cultures NLP. Xiao Zhifeng D'autres méthodes d'apprentissage à l'aide de la résolution en profondeur l'image de détection à distance dans la carte du monde recherche sémantique, il est possible de récupérer la fonction cible en fonction 37, le taux de précision de 90%. À l'heure actuelle, la profondeur de l'apprentissage a été largement utilisé dans la classification d'images de télédétection, l'identification, la recherche et l'extraction, le matériel de base complète sémantiquement la méthode traditionnelle. Le tableau 1 est un système de détection de la profondeur de la méthode d'apprentissage sur la base de récupération de contenus vidéo et similaires Xiao Zhifeng développé. Comme on peut le voir d'après une table, l'extraction de caractéristiques de la profondeur basée sur un procédé en cascade de réseau de réduction de dimension (réseau de neurones profond convolutif, DCNN) utilisé rappeler ici et la précision est largement supérieure à la classique LBF-HF (histogramme de motif binaire locale de Fourier) et TEF-HOG (Fourier transform-elliptique de gradients orientés histogramme) méthode, la précision supérieure à 20% à 30%.
Procédé de récupération de table de précision à l'aide du contenu vidéo et la profondeur des procédés classiques d'étude comparative
la figure 3 profondeur d'apprentissage pour filtrer les données du nuage de points, le modèle numérique d'élévation extraction automatique
3, à partir des données grand espace-temps et le raisonnement cognitif
4 relation entre le monde physique, la société humaine et de l'information carte de l'espace
A un autre domaine de l'intelligence artificielle et la vision informatique et de la profondeur de l'apprentissage des théories et des méthodes plus parfaites, les théories et les méthodes du monde physique et de la cognition sociale humaine et le raisonnement en intelligence artificielle à l'heure actuelle, il est encore immature et fragmenté. Mais cela ne l'empêche pas les gens d'utiliser grande recherche et l'application de l'analyse des données de la ville intelligente, la communauté intelligente dans le cadre de l'intelligence artificielle.
Après des décennies de développement, les systèmes d'information géographique ont un système relativement complet des théories et des méthodes d'analyse spatiale. Cependant, l'ajout de réseaux de capteurs et de la perception sociale des équipements de temps et l'espace analyse des données et la théorie et la méthode d'extraction est pas assez mature, il est maintenant en développement rapide.
5 la figure ciel du bassin Yangtze schématique observations du réseau de capteur sol-sol
les données spatio-temporelles de l'appareil au courant de la communauté est un nouveau type de données, sa structure et des formes plus variées. Les données multimédia telles que l'Internet des données principalement basées sur des textes, des données de trajectoire de navigation est le point diffusé en continu des données de coordonnées, les données de surveillance vidéo sont des données d'image et les données du smartphone est le texte, une variété de données telles que les coordonnées du point et des images. Ces données complexes et diverses, une étiquette espace-temps significatif, tandis que d'autres ont besoin de passer par le temps et l'analyse de l'espace et de traitement pour ajouter des tags. Actuellement les chercheurs dans de nombreux domaines, dont des applications informatiques, de la cartographie et de la télédétection, la science de l'information géographique, la planification urbaine et de gestion, sont intéressés par la perception sociale des données spatiales et temporelles, les données est la nouvelle discipline des sciences sociales et le domaine de la traversée de l'information, la construction efficace signifie des villes et communautés intelligentes de renseignement.
La figure 6 montre la principale zone d'activité des citoyens de Shenzhen, les centres communautaires et des frontières sur la base des informations de localisation d'un téléphone mobile
4. Conclusion
AI est déclenché une révolution technologique et révolution industrielle, les bénéficiaires de l'intelligence artificielle de cartographie et de télédétection, mais contribuent également à la technologie de l'intelligence artificielle. Photogrammétrie d'une statique à une dynamique et en temps réel et la profondeur de l'intégration et la vision informatique, des applications de télédétection de la technologie de l'intelligence artificielle pour résoudre l'interprétation des images, l'extraction automatique des problèmes d'information, Internet, réseau, réseaux de capteurs acquis des données spatio-temporelle massive est le sang de l'intelligence artificielle , l'apprentissage automatique, aide à la décision intelligente et le service fourni. Ce document passe en revue l'histoire de la photogrammétrie et la vision de la machine, et analyse la relation étroite entre les deux. Ensuite, l'apprentissage, et décrit l'idée de base de la profondeur d'un réseau de neurones convolutionnel; analyse de l'évolution de l'art lié photogrammétrie et de télédétection, vision par ordinateur et l'apprentissage de la machine, et une profondeur dans l'apprentissage cible de récupération traitement des données altimétriques laser d'images de télédétection applications, enfin, le potentiel de la télédétection et la méthode de cartographie des données spatiales et temporelles pour obtenir la perception sociale de la cognition naturelle et sociale et le raisonnement, introduit l'application de la gestion des bassins fluviaux et l'analyse intelligente de base urbaine et de l'espace-temps grand données.
Face à l'évolution rapide de l'intelligence artificielle, les travailleurs de photogrammétrie sont la seule application de la vision par ordinateur pour suivre les réalisations, ou de prendre l'initiative, utiliser uniquement l'apprentissage de la profondeur existante ou construire un nouveau réseau d'apprentissage de la profondeur de la télédétection, la perception sociale de la façon dont la télédétection et des informations de cartographie la fusion de l'information révèlent l'espace physique naturel pour les modèles de développement et le comportement social et l'activité humaine, le développement de l'intelligence artificielle plus poussée et plus complexe, ce sont les nouvelles tâches et de nouveaux défis auxquels sont confrontés les travailleurs en arpentage.
Source: "Université de Wuhan · Sciences de l'Information" 201812