لاکهید مارتین یک سیستم تشخیص تصویر ماهواره‌ای برای شناسایی و طبقه‌بندی اشیاء یا اهداف در مناطق بزرگ ایجاد کرده است. دسته‌بندی و برچسب‌گذاری دستی این موارد در یک تصویر ماهواره یک فرآیند زمان‌بر است. با این حال، مدل یادگیری عمیق جدید سرعت تجزیه و تحلیل تصاویر ماهواره‌ای را افزایش می‌دهد و موجب صرفه‌جویی قابل توجهی در زمان این عملیات می‌شود.
این مدل هوش مصنوعی خودکار جهانی (GATR) حین اجرا در فضای ابری از پلتفرم کلان داده مربوط به اطلاعات جغرافیایی Maxar (GBDX) برای دسترسی به یک کتابخانه تصاویر ماهواره‌ای با ظرفیت ۱۰۰ پتابایت استفاده می‌کند و با استفاده از الگوریتم‌های یادگیری عمیق سرعت دسترسی به این داده‌ها و اسناد را افزایش می‌دهد.
GATR به سرعت با استفاده از واحد پردازش گرافیکی سریع (GPUs) منطقه موردنظر را بررسی می‌کنند. روش‌های یادگیری عمیق نیاز به الگوریتم‌های آموزشی را با خودکارسازی تشخیص ابعاد، کاهش می‌دهد.
GATR مبتنی بر هوش مصنوعی، خود ویژگی‌های شناسایی یک منطقه یا هدف را آموزش می‌دهد. به‌عنوان مثال، این سیستم قادر به تشخیص یک هواپیمای باربری از یک جت حمل و نقل نظامی خواهد بود.
سیستم تجزیه و تحلیل تصویر ماهواره‌ای همچنین می‌تواند مناطق بزرگ مانند کشور را اسکن کند. این تکنیک‌های یادگیری عمیق در بخش تجاری برای شناسایی هواپیما، کشتی‌ها، ساختمان‌ها، شرکت‌های دریایی و چندین دسته دیگر استفاده می‌شوند.
ماریا دمری، معاون رئیس جمهور و مدیر کل ماموریت فضایی لاکهید مارتین، گفت: “امروزه اطلاعات ماهواره‌ای تجاری بیش از هر زمان دیگری در دسترس است و تا به حال، فرآیند شناسایی این اشیاء بصورت دستی انجام می‌شد. مدل‌های هوش مصنوعی مانند GATR به تحلیلگران کمک می‌کند تا آن‌ها به وظایف سطح بالا متمرکز شوند.”
این شرکت ادعا می‌کند GATR دارای دقتی بیش از ۹۰ درصد در مدل‌های آزمایشی است. گفته می‌شود این مدل بررسی منطقه‌ای به مساحت ۱۲۰۰۰۰ کیلومتری در پنسیلوانیا را برای شناسایی سایت‌های استخراج، در مدت ۲ ساعت انجام داده است.
مارک پریت، محقق اصلی لاکهید مارتین و پژوهشگر GATR گفت: “من متخصص سایت‌های استخراج نفت نیستم. این سیستم، خود ویژگی‌های مشخصی از یک شی را تعریف می‌کند و با صرفه‌جویی قابل ملاحظه در زمان آموزش الگوریتم در نهایت این امکان را فراهم می‌کند تا تحلیگر تصویر بیشتر بر روی ماموریت اصلی خود تمرکز کند تا پیش‌نیازهای جانبی.”
GATR نتیجه تحقیقاتی است که تیم پریت طی پروژه نقشه عملکرد جهانی به آن دست پیدا کردند.