1.4 遥感青花瓷鉴别面临的挑战
遥感作为一种特殊的图像，早就在2013年世界各国专家学者就开始用深层学习方法开展智能化遥感技术解译的探索，包含总体目标、情景查找、目标检测、地物归类、变化检测、三维重建等各个应用领域，也取得了众多科研成果。
尽管深度学习方法在总体目标查找和变化检测等多个方面获得关键进度，并有一部分成效达到智能化程度。但由于遥感影像比面部识别的影像繁杂得多，现阶段遥感技术解译方式没有得到广泛运用，尤其是在当然地物归类层面还无法达到业务流程变的业务需求，在我国地理国情监测和第三次国土资源调查等重大工程主要是选用人力解译的办法。因为遥感影像与应用具备独特性，通用人工智能方式在遥感技术解译层面碰见了考验。
与人工智能数据信息、算法及算率三要素类似，遥感技术解译也是有三大核心因素—— 遥感影像样本库、遥感技术解译的算法与实体模型、可以进行大规模计算的硬件平台。现阶段算率基础设施建设可以采取通用性硬件平台，但由于遥感影像的独特性与应用的多样化，必须构建一个开放、统一标准的影像样本库，和高效率、可信赖的遥感技术解译算法与实体模型。
虽然目前有许多对于运用深度学习方式进行遥感技术解译的研究综述，但实践应用上，影像样本库、深度学习架构及其AI优化算法技术等层面仍然存在着考验。最先，规模性样本库是遥感技术解译鉴别的数字驱动，但是目前遥感技术行业未有规模性“清晰度-总体目标-情景”多层次多个任务包含总体目标查找、目标检测、土地类型归类、变化检测、三维重建的开放解译数据信息样本库，公开数据集欠缺统一文件格式插口和技术标准，远无法满足遥感技术解译鉴别规定，亟待提升已经有样本库的不健全导致标明模型局限，促使样本库可以智能化拓展与精华，完成样本库的可持续构建。次之，通用性深度学习互联网无法用于遥感技术归类等应用领域，都还没做到商业化的运用水准。在遥感技术专用深度学习架构实体模型中，必须考虑多维度时光谱特点，达到高效率灵活多变的运行内存全自动拓展、尺寸与通道响应式甄选规定。最终，尽管根据遥感技术专用的深度学习神经元网络能够练习遥感技术专用的大模型，但是由于优化算法能力不够且各项费用昂贵问题凸显，不久的将来数据集丰富多彩后，怎样解决文物鉴别一体化等问题仍是非常大的考验。
将高光谱遥感技术运用到不同年代景德镇青花瓷的分类研究中，同时结合迁移学习和特征挖掘，通过建立分类模型实现了不同年代景德镇青花瓷的分类研究，为我国不同年代景德镇青花瓷的分类研究提供了新的思路和技术支持，与此同时，本书在以下方面还需要提升和深入研究：
（1）研究建立不同年代景德镇青花瓷图像数据集时，因为图像数量有限，不同年代的景德镇青花瓷图像并不是相等的，之后研究中应该扩充数据集，使各个年代的图像数量尽可能保持一致。此外，本书所使用的图片数据来源于故宫博物院，仅供参考，后续将改善和丰富本研究的青花瓷样本，科学、有效、可靠地将其推广到不同年代景德镇青花瓷分类工作中。
（2）目前使用的VGGNet和ResNet网络模型，虽然网络模型性能得到提高了，但是这些网络计算量巨大，依赖基础网络的检测算法对达到实时运行的要求有些困难。后续将尝试MobileNet、Xception等轻量化网络模型，有效保证模型精度的同时大大减少参数，加强模型的稳定性。
（3）在对非成像光谱数据研究中，通过小样本的光谱特征挖掘，实现了不同年代景德镇青花瓷的分类研究，之后会进一步采集更为丰富的青花瓷样本的光谱数据，建立更加完善的光谱数据库，加强模型的稳定性及泛化能力。
（4）针对空谱联合部分，目前仅使用基于深度网络模型分别提取空间特征和光谱特征，然后使用DS证据理论进行融合完成分类。之后需要考虑同时提取空间特征和光谱特征进行分类。
（5）针对本书所研究的成果，结合用户群体的需要，例如，如果用户是普通青花瓷爱好者，可以开发一款手机端App或优化升级青花瓷鉴别小程序，通过用户上传真彩色图像，与图像数据库比对，快速给出待判断青花瓷的年代和其他信息；如果用户需要较高精度的识别结果，则有待于开发一款不同年代景德镇青花瓷成像光谱实时分类设备。