安妮 千平 編譯整理
量子位 出品 | 公眾號 QbitAI
就在我們的頭頂之上， 各種衛星（包括間諜衛星）像狗仔隊一樣， 每天都圍著地球瘋狂拍下數十TB的照片。
每個情報機構都有一批訓練有素的分析師， 負責搜尋隱藏在海量衛星圖像中未申報的核設施或秘密軍事基地。
但面對如此海量的資料， 據說美國的情報機構已經被錯失恐懼症（FOMO）所籠罩。 因為人類分析員能處理的圖像數量有限， 很可能錯失真正重要的關鍵資訊。
於是， AI來了。 而且來得很恐怖。
前不久， 美國研究人員訓練出一個深度學習演算法， 用以識別“東亞某國”地空導彈基地。
這些演算法比人類的速度快幾百倍， 高效找出分佈在一塊近9萬平方公里區域內的地空導彈發射場。 這種人工神經網路基於能夠過濾和學習大量資料的人工神經元層， 達到人類圖像分析專家90%的準確率。
令人震驚的是， 這種方法還將發現潛在導彈基地的時間從60小時（2.5天）減少到42分鐘。
可怕之處在於， 這只是公開的“民間”研究。
“用演算法發現潛在的導彈基地位置， 據我所知， 這為人類節省了很多時間” 密蘇裡大學電氣工程和電腦科學教授Curt Davis談了談他們的研究方向。
這個研究發表在10月的《應用遙感》雜誌上， 展示了一種用於大量衛星圖像分析的深度學習模型， 能夠識別情報機構和國家安全專家可能感興趣的目標。
△ 美國愛國者地空導彈系統運輸起豎發射車（TEL）
挑戰在衛星圖像分析中應用深度學習AI的挑戰通常很難解決。
與人臉、地點或者物體識別相比， 衛星圖像對深度學習演算法提出了更大的挑戰。 因為衛星圖像會從多個角度進行拍攝， 同一地點的建築物可能在照片上是顛倒的， 另外同一地點的不同時間裡雲層的變化也很不一樣。
另一個主要問題是相對缺乏大型訓練資料集， 包括用於訓練深度學習演算法的手工標記的示例， 需要用它來準確識別衛星圖像的特徵。
對此， Davis團隊將全球約2200個地點的公共資料與影響解決方案商DigitalGlobe衛星圖像結合在一起， 創建自己的訓練資料， 然後通過測試四種深度學習模型找到最佳測試資料。
但研究人員手中確認的地空導彈基地圖片只有90個。 這樣一個小型訓練資料集通常無法產生準確結果。 為了解決這個問題， Davis等人將原始圖像稍微改變了方向， 把90多個訓練樣本轉換成大約893000個訓練樣本。
這項研究中的成績很可能得益於導彈發射基地占地很大， 在衛星圖像上看也有獨特的圖案。
△ 兩類常見的原型/對稱地空導彈發射場
挑戰接踵而至。
衛星圖像之間的解析度也差異很大。 這讓問題進一步變得複雜， 想要深度學習演算法效果最好， 通常需要給定相同大小的圖片。 另外， 除了可見光圖像之外， 不少衛星拍攝的還是紅外或者其他光譜波段的圖像。
在試圖分析諸如移動導彈發射裝置、雷達天線、移動雷達系統和軍用車輛等較小的物體時， 深度學習演算法面臨著一個更大的挑戰， 因為可用的衛星圖像資料在提取識別特徵時圖元會減少。
“在我們的大腦中，CNN如何處理這樣的小尺寸物體是一個懸而未決的問題，尤其是在大型資料集的測試中，就像我們在這次研究中所做的那樣。”Davis說。
種種的不完善，讓深度學習面臨巨大障礙。即使演算法能夠達到80%或90%的精度，專家仍然認為AI不具備接管整個工作的能力。
今年7月以來，各路高手紛紛開始在全球最大的衛星圖像公開資料集上訓練機器學習演算法。這個資料集包含100萬個帶標籤的物件，包括不同的建築和設施。
這個資料集的提供者，是美國情報高級研究計畫局（IARPA）。他們贊助舉辦的這次大賽，就是想找到一個更好的AI解決方案，分擔人類分析員75%的工作。
（量子位插播，大賽地址在此：https://www.iarpa.gov/challenges/fmow.html）
共有10個團隊進入到這次挑戰的決賽階段，整個比賽要下個月結束。
IARPA的專案經理Hakjae Kim說：“美國情報機構的手裡已經有了一些方案，但速度和方法總是有提升的餘地”。
“現在的技術狀態，只有人與機器合作才能真正找到答案”，笛卡爾實驗室CTO麥克·沃倫（Mike Warren）說。笛卡爾實驗室已經把深度學習用於分析商業衛星圖像，對美國玉米和大豆的收成進行預測。
即使不完美的AI工具也會有助於情報收集工作。
例如，國際原子能組織（IAEA）的任務是監測所有已申報的核設施，並在近200個國家中尋找未申報的設施。
加州的米德爾伯裡國際研究所研究員Melissa Hanham表示，深度學習工具可以説明IAEA和其他獨立組織利用衛星圖像監測發展核勢力和大規模殺傷性武器的發展。
“我們就處於這樣一個世界，”Hanham說，“我期待自動化將工作中乏味而多餘的部分取代。”
— 完 —
誠摯招聘
因為可用的衛星圖像資料在提取識別特徵時圖元會減少。“在我們的大腦中，CNN如何處理這樣的小尺寸物體是一個懸而未決的問題，尤其是在大型資料集的測試中，就像我們在這次研究中所做的那樣。”Davis說。
種種的不完善，讓深度學習面臨巨大障礙。即使演算法能夠達到80%或90%的精度，專家仍然認為AI不具備接管整個工作的能力。
今年7月以來，各路高手紛紛開始在全球最大的衛星圖像公開資料集上訓練機器學習演算法。這個資料集包含100萬個帶標籤的物件，包括不同的建築和設施。
這個資料集的提供者，是美國情報高級研究計畫局（IARPA）。他們贊助舉辦的這次大賽，就是想找到一個更好的AI解決方案，分擔人類分析員75%的工作。
（量子位插播，大賽地址在此：https://www.iarpa.gov/challenges/fmow.html）
共有10個團隊進入到這次挑戰的決賽階段，整個比賽要下個月結束。
IARPA的專案經理Hakjae Kim說：“美國情報機構的手裡已經有了一些方案，但速度和方法總是有提升的餘地”。
“現在的技術狀態，只有人與機器合作才能真正找到答案”，笛卡爾實驗室CTO麥克·沃倫（Mike Warren）說。笛卡爾實驗室已經把深度學習用於分析商業衛星圖像，對美國玉米和大豆的收成進行預測。
即使不完美的AI工具也會有助於情報收集工作。
例如，國際原子能組織（IAEA）的任務是監測所有已申報的核設施，並在近200個國家中尋找未申報的設施。
加州的米德爾伯裡國際研究所研究員Melissa Hanham表示，深度學習工具可以説明IAEA和其他獨立組織利用衛星圖像監測發展核勢力和大規模殺傷性武器的發展。
“我們就處於這樣一個世界，”Hanham說，“我期待自動化將工作中乏味而多餘的部分取代。”
— 完 —
誠摯招聘