马蒂亚斯·莱门斯在他最新的专栏中写道，人工智能(AI)在大约50年前首次被提出作为物体识别的潜在解决方案，但在蜿蜒的道路上无声地消亡了。现在，大地理数据推动了对自动地图的需求，并重新激起了人们对人工智能的兴趣。但是，深度学习的乐观承诺这次能实现吗?
人类历史上从来没有像今天这样产生过如此庞大的地理数据量。使用各种各样的地理数据采集技术制作图像和点云只是硬币的一面;另一方面是提取有意义的信息，这对特定的地理相关目的是有用的。信息提取是一项技术含量高、劳动强度大、工作繁琐、主要由专家完成的工作。为了减少人工参与，许多研究人员正在开发自动化绘图方法。
自动化的推动导致了一个研究领域的复兴，该研究领域在大约50年前首次提出，是作为从图像中自动识别物体的圣杯，但最终在其蜿蜒的道路上无声地消亡了。它被称为“人工智能”。在与人工智能相关的词汇中，只有“机器学习”和“深度学习”进入了今天的词汇。近年来关于人工智能应用于测绘任务的论文数量之多表明，许多人相信深度学习基于卷积神经网络(cnn)是自动制图的最终解决方案。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，而是建立在一系列二维差分滤波器之上的软件，比如拉普拉斯算子以及2D集成过滤器，通过聚集小的邻域，例如3x3或5x5像素的窗口，在一个称为池化的过程中，构建一个图像金字塔的层次结构。这使得该方法对噪声和纹理非常敏感。尽管研究人员也承认，由于与地球相关的场景的复杂性，如阴影和遮挡的存在，有几个挑战需要克服，但许多人声称这种方法产生了有希望的结果。换句话说，还有很多问题需要解决。一个被普遍接受的研究方法是收集大量的原型，其中80%用作训练样本，20%用于验证。事实上，深度学习需要大量的原型。但希望这些乐观的承诺将成为现实，人工智能不会再次悄然死亡。