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。
遥感智能解译云服务系统（PIE-Engine AI）是构建在PIE-Engine时空遥感云平台之上的在线实时智能解译SaaS服务平台，PIE-Engine AI可以为不同类型任务需求提供高质量遥感应用场景样本数据标准化的制作及统一的组织管理；并能以Tensorflow, Jittor, PyTorch等主流深度学习为基础框架，为用户提供具备环境部署，模型开发，模型训练，模型部署等一站式全流程深度学习服务。尤其专注于提供实时，精准，高效的遥感图像在线智能解译服务，包括典型遥感地物目标检测，型号识别，要素分类，变化监测等应用方向。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；
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。
