通过英特尔人工智能技术、深度学习技术、无人机技术等，如果实现对于箭扣长城的保护与修缮？答案就在视频里。
无人机高精度图像采集：因为长城的跨度很大，修缮之前首先需要进行环境勘测。传统的办法是通过尺子测量以及目测，很难得到精准的数据。通过英特尔®猎鹰 8+（Intel® Falcon™ 8+）无人机，工作人员能够近距离检测到长城的破损情况，可以获取高分辨率图像，帮助文保人员清晰、全面了解长城现状。
基于英特尔® 至强处理器的 3D 建模和损毁检测： 这个过程包含了多个算法和步骤。根据无人机采集的数据，采用英特尔® 至强处理器能够快速分析处理上万张图片，并计算出破损的长度和宽度，规划修缮所需材料，并提供裂缝和塌方等破损的测量数据用于指导物理修缮。有了这些数据，修缮团队就无需再现场测量，而是可以通过 AI 算法得到最终需要的时间、人力、物力和成本。
基于人工智能和深度学习技术的数字化修复：在 3D 模型损毁识别基础上，利用最新的 3D 模型对抗生成网络，以及回归卷积网络，对城墙缺损部位进行数字化修复，并据此对实际的长城修缮和维护提供指导和参考数据。
这将是一个全新的探索，先进的无人机航拍和人工智能技术参与文物建筑的修缮和保护，英特尔的计算技术深度参与其中。数据显示，仅仅 700 米的长城城墙，猎鹰 8+无人机采集了上万张高分辨率图像，原始数据超过 200GB，整个处理过程会频繁访问这些数据，还会产生超过 100GB 的中间和仿真数据，即便是高性能的计算，处理如此庞大的数据量也极其复杂。
解决方案还涉及多种 AI 算法，包括视觉特征抽取与索引，相机参数恢复，光束平差（bundle adjustment），稠密匹配，几何模型网格生成，深度神经网络 2D 及 3D 模型训练，纹理合成等。
英特尔的方案是，基于 Xeon 至强可扩展处理器，英特尔固态盘，同时结合 OpenMP/MPI 并行优化技术，采用针对英特尔 CPU 优化的英特尔®深度神经网络数学核心函数库（MKL-DNN），以及面向英特尔架构优化的深度学习框架 Tensorflow 等工具，高效地实现长城 3D 建模和数字化修复，并达到厘米级精度的效果。
整个长城 3D 建模和数字化修复过程中，需要进行大规模的方程迭代计算，其中一些基于大规模稀疏矩阵的方程求解会存在收敛稳定性问题。这个时候，大规模矩阵计算库 MKL 的作用就凸现了，它不仅能够提升计算效率，还能够大大提高复杂计算的稳定性。
如今，英特尔开发的 MKL-DNN 库已经广泛应用在 Tensorflow，Caffe 等流行的深度学习框架中。可以说，针对深度学习领域不同算法实现的解决方案中，英特尔至强架构是能够全面高效、低成本支持这么多种算法的理想选择，并可以明显提高人工智能修缮长城的效率和速度。
有了更领先的技术和更精准的数据，我们创造了更快、更高效的解决问题的办法，帮助各行各业解决那些尚未解决的问题。
