遥感具有动态、多时相收集空间信息的能力，遥感数据已成为GIS的主要信息源。然而，传统的遥感解译技术主要依靠人工解译和半自动遥感处理软件，难以快速获得准确的处理结果，缺乏详细的状态分析的有效手段。一方面，这使得遥感应用不可能从根本上脱离其劳动密集型属性；另一方面，其产生的空间数据一般不符合GIS严格的数据标准，需要进行额外的格式转换、检查和处理等大量前期工作，耗费了过多的人力物力。人工智能的兴起给了我们一个新的方向。
GIS+RS+AI.
人工智能研究的主要目标之一是使机器能够完成通常需要人类智能的复杂任务。为此，Sky Digital将人工智能的深度学习技术应用于遥感数据解译，突破了传统面向像素和面向对象遥感解译方法的束缚，开发了智能遥感解译产品系统——KQRS。
大赦国际.它提供了一系列高效的智能算法和训练框架，包括地面目标检测、变化检测、目标检测和土地分类。有效提高遥感图像的信息提取能力，节省人力和时间成本。
一、强大的跨平台兼容性
KQRS
在底层硬件上，AI平台不仅兼容包括英特尔在内的X86框架，还完美兼容包括鲲鹏、腾飞在内的ARM64框架芯片。兼容麒麟、UOS等国产操作系统。强兼容性保证了软件相比同类产品有更多的应用场景。
图本地化环境操作。
二、支持模型自主训练
为了让用户能够实现更有针对性的目标检测，软件还提供了训练界面，包括地物检测训练、变化检测训练和目标检测训练。用户可以使用自己的数据集或者软件集成的数据标注功能生成的数据集，训练新的模型来替代软件带来的模型，从而实现定制化检测。
图软件培训界面(左侧为功能选择，右侧为参数设置)。
三、高效的图形学后处理算法
KQRS
AI使用优秀的AI模型进行推理后，软件还提供高效的图形后处理算法，尽可能消除检测错误，提供更好的检测结果。包括边界简化、边界清洗、建筑正则化、填充孔洞、去除小连通域、收缩细化等。
建筑物的正规化。
四、智能语义分割
KQRS
AI利用FCN全卷积神经网络技术对图像进行像素级分类，解决了图像在语义层面的分割问题。对于地物分类，利用深度学习的方法可以得到一个解释图像中特定语义区域的模型，包括建筑物、独栋房屋、水体、道路、林地、耕地、温室、植被、雪线等地面区域。
图形语义分割
五、基于视频目标识别
总部设在KQRS
基于AI的人工智能技术，我们实现了基于视频的目标识别能力，如采集道路沿线信息，实时提取道路中心线、交通标志等信息。利用图像分割算法分割车道线、左右线和中心线，提取道路中心线。测试表明，该算法对光照、阴影和道路曲率具有良好的适应性，准确率达到0.1m，识别率达到90%以上。而且可以实时处理，可以满足200公里/天的效率。
道路中心线提取。
路标的识别。
六、目标自动检测
KQRS
AI利用CNN卷积神经网络技术和自主研发的KQGIS平台对样本进行标记，从而实现目标检测和识别。例如，我们可以从卫星、航空或无人机图像中找到飞机、船只和体育场等目标，并将其绘制在地图上，其中体育场的识别率超过90%。
图形目标识别。
七、变换检测
雪线提取的方法，从传统的野外测量到间接测量
AI集成“雪线变换检测功能”，可根据遥感影像检测雪线、湖面、阴影和背景，雪线检测准确率在95%以上。应用于水域、林地、建筑物等自然资源范围的探测领域。
图形变换检测
