马蒂亚斯·莱蒙斯(Mathias Lemmens)在他的最新专栏中写道，人工智能(AI)在大约50年前首次作为一种潜在的物体识别解决方案被提出，但它在曲折的道路上无声地死去了。现在，大地理数据正在推动对自动地图的需求，并重新激发人们对人工智能的兴趣。但这次，深度学习的乐观前景会成真吗?
历史上，人类从未像今天这样生成如此庞大的地理数据量。使用各种地理数据采集技术生成图像和点云只是硬币的一面;另一方面是提取对特定地理相关目的有用的有意义的信息。信息提取是一项技术性、劳动密集型、繁琐的工作，主要由专家来完成。为了减少人工参与，许多研究人员正在开发自动制图方法。
对自动化的驱动使一个研究领域复活了，这个研究领域在50年前被认为是自动识别图像物体的圣杯，但最终在蜿蜒的道路上安静地死去了。它被称为“人工智能”。如今，只有“机器学习”和“深度学习”这两个与人工智能相关的朗朗上口的词汇被收录进了人们的词汇中。近年来，大量关于AI在测绘任务中的应用的论文表明，许多人相信深度学习基于卷积神经网络(CNNs)是自动化映射的最终解决方案。其他流行的方法是随机森林和支持向量机。
CNN不是一个魔术盒，而是建立在二维微分滤波器序列上的软件，比如拉普拉斯算子，以及2D积分过滤器，通过聚集小的社区，例如3x3或5x5像素的窗口，来构建图像金字塔的层次结构，这一过程称为池化。这使得该方法对噪声和纹理很敏感。尽管研究人员也承认，由于与地球相关的场景的复杂性，还有一些挑战需要克服，例如阴影和遮挡的存在，但许多人认为这种方法给出了有希望的结果。换句话说，还有许多棘手的问题需要解决。一种普遍接受的研究方法是收集大量的原型，其中80%作为训练样本，20%用于验证。事实上，深度学习需要大量的原型。但希望这些乐观的希望能成为现实，人工智能不会再悄然死亡。