成大林家祥團隊最新技術 能把消失衛星影像「補回來」

成大電機系副教授林家祥結合人工智慧的「深度學習」與數學函數理論「凸優化」，發展出獨一無二的「CODE理論」，把消失的太空衛星拍到影像「算」回來，其運算效率與影像還原度領先全球現有技術，對太空遙測技術具重要價值。

這項研究成果獲刊「衛星遙測」領域指標性期刊《IEEE Transactions on Geoscience and Remote Sensing》。

林家祥表示，發射低軌道衛星回傳高光譜影像以觀測地表構造與物質，但這類「高光譜衛星影像」有別於一般RGB三原色（紅、綠、藍）相組成的影像，可捕捉多達242種不同頻譜（以NASA Hyperion衛星影像為例），因此造價不斐，也因為取得管道少，有錢也不見得買得到，倘若因為衛星感測器失靈導致購得的影像殘缺，將造成許多不便。

「凸優化」又稱作凸函數最佳化，是數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」或以數理運算為基礎的「凸優化」其一作為解決問題的切入點，長期以來這兩項工具各有優點而未被彼此取代。

「深度學習」可以透過大數據訓練人工智慧，無須複雜的數學運算也能重現消失的衛星影像，但蒐集多達百萬筆的「大數據」，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星影像；反觀以數理運算為基礎的「凸優化」，僅只需要單筆或少量數據即可運算並還原影像原貌，但這類影像處理方式需要經歷繁複的公式簡化過程，有時甚至需要具備數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，遇到軟體開發困境。而以往用單筆數據或小數據就能精準重現衛星影像是幾乎不可能的，就算能夠重現，補回來的影像也會模糊或有色差，與實景不符，更遑論以此判斷衛星影像細部物質差異的功能。

林家祥與團隊將凸優化概念引入深度學習，透過「Q範數」（Q-Norm，基於「特徵數值皆大於零」的矩陣Q而設計的數學函數）調節因子作為人工智慧深度學習的核心運算公式，最終成功萃取小數據成像中的關鍵資訊，還原衛星影像完整面貌。

2021年林家祥的團隊以高光譜影像重建成果發表論文〈ADMM-ADAM: A new inverse imaging framework blending the advantages of convex optimization and deep learning〉使用美國太空總署NASA衛星影像拍攝北美洲的城市、農田、山區與海岸線等四種地貌做展示，並與各國產學界現行具備的影像辨識技術做比對。

在影像還原度與運算效率上，林家祥團隊的系統皆表現最佳，並且在影像處理領域公認4大關鍵指標皆達到目前全世界最好的表現，同時將原本需要破萬組數據的深度學習技術，在論文中只用了400組數據就辦到，若現存仰賴大數據的衛星影像修復軟體需要5000組數據，可省下美金23萬4600元（相當約台幣692萬餘元），即能達到少量數據、精準運算的成果。