大模型赋能智能摄影测量:现状、挑战与前景

P237; 大模型从深度学习和迁移学习技术发展而来,依靠大量的训练数据和庞大的参数容量产生规模效应,从而激发了模型的涌现能力,在众多下游任务中展现了强大的泛化性和适应性.以ChatGPT、SAM为代表的大模型标志着通用人工智能时代的到来,为地球空间信息处理的自动化与智能化提供了新的理论与技术.为了进一步探索大模型赋能泛摄影测量领域的方法与途径,本文回顾了摄影测量领域的基本问题和任务内涵,总结了深度学习方法在摄影测量智能处理中的研究成果,分析了面向特定任务的监督预训练方法的优势与局限;阐述了通用人工智能大模型的特点及研究进展,关注大模型在基础视觉任务中的场景泛化性以及三维表征方面的潜力;从训练数...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 10; pp. 1955 - 1966
Main Authors 王密, 程昫, 潘俊, 皮英冬, 肖晶
Format Journal Article
LanguageChinese
Published 武汉大学测绘遥感信息工程国家重点实验室,湖北武汉 430079%武汉大学计算机学院,湖北武汉 430072 26.11.2024
Subjects
智能摄影测量
多模态
deep learning
深度学习
大模型
intelligent photogrammetry
multi-modal
large models
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20240068

Cover

More Information
Summary:P237; 大模型从深度学习和迁移学习技术发展而来,依靠大量的训练数据和庞大的参数容量产生规模效应,从而激发了模型的涌现能力,在众多下游任务中展现了强大的泛化性和适应性.以ChatGPT、SAM为代表的大模型标志着通用人工智能时代的到来,为地球空间信息处理的自动化与智能化提供了新的理论与技术.为了进一步探索大模型赋能泛摄影测量领域的方法与途径,本文回顾了摄影测量领域的基本问题和任务内涵,总结了深度学习方法在摄影测量智能处理中的研究成果,分析了面向特定任务的监督预训练方法的优势与局限;阐述了通用人工智能大模型的特点及研究进展,关注大模型在基础视觉任务中的场景泛化性以及三维表征方面的潜力;从训练数据、模型微调策略和异构多模态数据融合处理3个方面,探讨了大模型技术在摄影测量领域当前面临的挑战与发展趋势.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20240068