獨創(chuàng)智慧運算理論 成大電機系林家祥精準重建高光譜衛(wèi)星影像
成大電機系副教授林家祥獨創(chuàng)CODE理論精準重建高光譜衛(wèi)星影像。圖：成功大學提供
為有效解決高光譜衛(wèi)星影像辨識與重建，成大電機系副教授林家祥結(jié)合人工智慧的「深度學習」與數(shù)學函數(shù)理論「凸優(yōu)化」，發(fā)展出獨一無二的「CODE理論」把消失的影像「算」回來，其運算效率與影像還原度領先全球現(xiàn)有技術，其研發(fā)成果對太空遙測技術具重要價值，獲刊「衛(wèi)星遙測」領域指標性期刊《IEEE Transactions on Geoscience and Remote Sensing》。
出自民生經(jīng)濟與國防軍事用途，人類借助現(xiàn)代科技發(fā)射低軌道衛(wèi)星回傳高光譜影像以觀測地表構造與物質(zhì)，但這類「高光譜衛(wèi)星影像」有別於一般RGB三原色（紅、綠、藍）相組成的影像，足以捕捉多達242種不同頻譜（以NASA Hyperion衛(wèi)星影像為例），因此造價不斐，也因為取得管道少，有錢也不見得買得到，倘若因為衛(wèi)星感測器失靈導致購得的影像殘缺，更將造成許多不便。
最左邊為衛(wèi)星成功拍攝之完整畫面，第二排為感測器失效時所拍攝的殘缺畫面，最右側(cè)為。圖：成功大學提供
「凸優(yōu)化」又稱作凸函數(shù)最佳化，是數(shù)學最佳化問題中的一個子領域，探討定義於某一抽象集合中的局部最佳值，同時也是全局最佳值。成大電機系副教授林家祥說，為解決高光譜影像辨識與重建，工程師們常選擇以人工智慧的「深度學習」或以數(shù)理運算為基礎的「凸優(yōu)化」其一作為解決問題的切入點，長期以來這兩項工具各有優(yōu)點而未被彼此取代。
「深度學習」可以透過大數(shù)據(jù)訓練人工智慧，無須複雜的數(shù)學運算也能重現(xiàn)消失的衛(wèi)星影像，但蒐集多達百萬筆的「大數(shù)據(jù)」，就得耗費半年到一年的時間，更何況是每一筆資料都是造價高昂的衛(wèi)星影像；反觀以數(shù)理運算為基礎的「凸優(yōu)化」，僅只需要單筆或少量數(shù)據(jù)即可運算並還原影像原貌，但這類影像處理方式需要經(jīng)歷繁複的公式簡化過程，有時甚至需要具備數(shù)學系碩士以上的學識才能達成這項工作。
林家祥指出，在高光譜影像辨識領域，比較不具備數(shù)學背景的學生和一般軟體工程師常會因時間或技術上的限制，遇到軟體開發(fā)困境。而以往用單筆數(shù)據(jù)或小數(shù)據(jù)就能精準重現(xiàn)衛(wèi)星影像是幾乎不可能的，就算能夠重現(xiàn)，補回來的影像也會模糊或有色差，與實景不符，更遑論以此判斷衛(wèi)星影像細部物質(zhì)差異的功能。「但是我們相信，就算在這麼粗略的成像裡面，還是具有關鍵且有價值的資訊?！?/span>
秉持這個信念，林家祥與團隊將凸優(yōu)化概念引入深度學習，透過「Q範數(shù)」（Q-Norm，基於「特徵數(shù)值皆大於零」的矩陣Q而設計的數(shù)學函數(shù)）調(diào)節(jié)因子作為人工智慧深度學習的核心運算公式，並為該理論原型命名為「ADMM-Adam」，最終成功萃取小數(shù)據(jù)成像中的關鍵資訊，還原衛(wèi)星影像完整面貌。
>> 1111 TUN大學網(wǎng)
university.1111.com.tw/index.asp
>>科技島社群 Tech Nice
https://www.technice.com.tw/
>> 最新職訓補助課→點我
https://is.gd/axnylY
>> 1111家教網(wǎng)
tutor.1111.com.tw/
>> 工作新鮮事都在1111 IG
https://www.instagram.com/1111.com.tw/
>>知名大學聯(lián)合校徵
http://m.myqueenbquilts.com/campusr/
成功大學林家祥副教授深度學習數(shù)學函數(shù)凸優(yōu)化深度學習