美媒宣稱美國用人工智慧分析衛星照片 搜尋他國導彈發射場

美媒稱，在情報機構中，只有為數不多受過訓練的分析人員從事從浩如煙海的衛星圖像中尋找未公開宣佈的核設施或秘密軍事場所的工作。但是，使穀歌和臉書公司的人臉和喵星人圖片的自動過濾成為可能的那種深度學習人工智慧，

在針鋒相對的間諜世界中也可能被證明是無價之寶。一個早期的例子是：美國研究人員已經訓練了發現中國地對空導彈發射場的深度學習演算法，其速度要比人工分析快數百倍。

據美國連線雜誌網站11月21日報導，深度學習演算法被證明能夠説明先前不具備圖像分析經驗的人員，找到散佈在中國東南地區近9萬平方公里區域內的地對空導彈發射場。

這種基於神經網路——即能夠對海量資料進行過濾並從中學習的層狀人造神經元——的人工智慧可媲美人類圖像分析專家在定位導彈發射場時取得的90%的總體準確率。也許更加令人歎為觀止的是，深度學習軟體説明人類把找出潛在導彈發射場的時間從60個小時縮短至僅42分鐘。

密蘇裡大學地理空間智慧中心主任、電機工程和電腦科學教授柯特·大衛斯說：“演算法被用來尋找據說被高度懷疑存在導彈發射場的位置，

然後由人工對搜索結果進行評估以確保準確，並弄清演算法節約了多少時間。”

報導稱，密蘇裡大學的這項研究於10月6日發表在《應用遙感雜誌》上。該研究是在衛星成像分析人員正在被大資料的洪流淹沒的背景下展開的。知名商業衛星成像公司DigitalGlobe每天生成大約70兆百萬位元組的原始衛星成像資料，

更不用說來自其他商業衛星和政府間諜衛星的所有成像資料了。

大衛斯和同事們證明了現有的深度學習模型——它們經過了針對衛星成像分析的培訓和改進——能夠如何發現讓情報機構和國家安全專家產生極大興趣的潛在目標。這些深度學習模型——包括GoogleNet和微軟研究公司的ResNet——最初建立時的目的是從傳統照片和視頻資訊中發現目標並進行分類。

大衛斯和同事們對這些模型進行了調整以使它們適應解讀衛星成像資料的難題和局限，例如培訓一些能夠解讀彩色和黑白圖像的深度學習模型，以備在只能獲得地對空導彈發射基地的黑白圖像時使用。

事實上，分析人員廣泛依賴于衛星成像技術對朝鮮武器計畫的發展進行跟蹤。人類分析員很可能已經發現了這個幅員相當狹小的國家境內現有的大部分、甚至全部的地對空彈發射場。

但是類似的深度學習工具可以説明自動標記在朝鮮或其他國家境內出現的新的地對空發射場。對已有和新的導彈發射場的瞭解有時可以引導分析人員發現其他可疑地點，因為各國通常把地對空導彈發射場設置在特定區域以防其附近的寶貴裝備遭到空中打擊。

報導稱，研究人員最終只利用了大約90個得到肯定確認的中國導彈發射基地樣本來訓練人工智慧。規模如此小的培訓資料集在正常情況下或許無法取得準確的深度學習成果。為了繞過這一問題，大衛斯和同事們通過在不同方向上對原始圖像稍作改變，把這90多個培訓樣本轉化成了89.3萬個培訓樣本。

報導稱，這項研究令人印象深刻的深度學習成績很可能得益於地對空導彈發射場的規模相當龐大，並且從衛星的俯拍照片上呈現獨特的形狀。大衛斯提醒說，在試圖分析較小的目標如車載導彈發射器、雷達天線、車載雷達系統和軍車等的時候，深度學習演算法將面臨大得多的挑戰，因為現有衛星圖像在提取識別特徵時沒有那麼多的圖元可以使用。（編譯/曹衛國）

資料圖片：這張拍攝於2012年12月2日的衛星圖像顯示的是朝鮮豐溪裡核子試驗場地區的交通線路圖。（衛星圖像由DigitalGlobe公司拍攝、約翰·霍普金斯大學高級國際研究學院美韓研究所下屬網站“38 North”添加注解並於2012年12月28日發表。）新華社/法新

規模如此小的培訓資料集在正常情況下或許無法取得準確的深度學習成果。為了繞過這一問題，大衛斯和同事們通過在不同方向上對原始圖像稍作改變，把這90多個培訓樣本轉化成了89.3萬個培訓樣本。

報導稱，這項研究令人印象深刻的深度學習成績很可能得益於地對空導彈發射場的規模相當龐大，並且從衛星的俯拍照片上呈現獨特的形狀。大衛斯提醒說，在試圖分析較小的目標如車載導彈發射器、雷達天線、車載雷達系統和軍車等的時候，深度學習演算法將面臨大得多的挑戰，因為現有衛星圖像在提取識別特徵時沒有那麼多的圖元可以使用。（編譯/曹衛國）

資料圖片：這張拍攝於2012年12月2日的衛星圖像顯示的是朝鮮豐溪裡核子試驗場地區的交通線路圖。（衛星圖像由DigitalGlobe公司拍攝、約翰·霍普金斯大學高級國際研究學院美韓研究所下屬網站“38 North”添加注解並於2012年12月28日發表。）新華社/法新