الذكاء الاصطناعي
شبكات عصبونية تساعد في إزالة السحب من الصور الجوية
تمكن الباحثون وال科学يون من قسم الهندسة البيئية والطاقة المستدامة في جامعة أوساكا من إزالة السحب رقمياً من الصور الجوية باستخدام شبكات عصبونية توليدية معارضة (GANs). مع البيانات الناتجة ، يمكنهم تلقائياً إنشاء مجموعات بيانات دقيقة من أقنعة الصور.
نشرت الأبحاث في Advanced Engineering Informatics.
وضع الفريق شبكتين ذكاء اصطناعي (AI) ضد بعضهما البعض لتحسين جودة البيانات ، ولم يطلب ذلك صوراً مسبوقة التسمية. وفقاً للفريق ، يمكن استخدام هذه التطورات الجديدة في مجالات مثل الهندسة المدنية ، حيث تكنولوجيا الرؤية الحاسوبية مهمة.
تعلم الآلة ل修复 الصور
غالبًا ما يستخدم تعلم الآلة ل修复 الصور المخفية ، مثل الصور الجوية للمباني المخفية بالسحب. يمكن إنجاز هذه المهمة يدوياً ، ولكنها تستغرق وقتًا طويلاً ولا تكون فعالة مثل خوارزميات تعلم الآلة. حتى الخوارزميات المتاحة بالفعل تتطلب مجموعة كبيرة من الصور التدريبية ، لذلك من المهم تطوير التكنولوجيا بشكل أكبر.
هذا ما فعلته الباحثون في جامعة أوساكا عند تطبيق شبكات عصبونية توليدية معارضة. شبكة هي “الشبكة التوليدية” ، وتقترح صوراً معاد بناؤها بدون سحب. يتم وضع هذه الشبكة ضد “الشبكة التمييزية” ، التي تعتمد على شبكة عصبونية توافقية لتمييز الصور بين الصور المصلحة رقمياً والصور الحقيقية بدون سحب.
随着 تقدم الشبكات في هذه العملية ، تصبح كلا الشبكتين أكثر تحسناً ، وهو ما يمكّنها من إنشاء صور واقعية للغاية مع السحب المحذوفة رقمياً.
كازونوسكي إيكينو هو المؤلف الأول للورقة.
“من خلال تدريب الشبكة التوليدية على ‘خداع’ الشبكة التمييزية في التفكير في صورة حقيقية ، نحصل على صور معاد بناؤها أكثر اتساقاً” ، يقول إيكينو.
صورة: 2021 كازونوسكي إيكينو وآخرون ، Advanced Engineering Informatics
تدريب النظام
اعتمد الفريق على نماذج افتراضية ثلاثية الأبعاد مع صور من مجموعة بيانات مفتوحة المصدر ، وتم استخدامها كمدخلات. هذا مكن النظام من توليد تلقائيًا “أقنعة” رقمية تضع المباني المعاد بناؤها فوق السحب.
توموهيرو فوكودا هو المؤلف الرئيسي للبحث.
“تجعل هذه الطريقة من الممكن كشف المباني في المناطق بدون بيانات تدريبية مسبوقة التسمية” ، يقول فوكودا.
كان النموذج المدرب قادراً على كشف المباني مع قيمة “التقاطع على الاتحاد” 0.651. هذه القيمة هي مقياس لمدى دقة المنطقة المعاد بناؤها بالمقارنة مع المنطقة الفعلية.
وفقاً للفريق ، يمكن أن تحسن هذه الطريقة جودة مجموعات بيانات أخرى مع صور مخفية ، فقط تحتاج إلى توسيعها. يمكن أن تشمل هذه الصور في مجالات مختلفة ، مثل الرعاية الصحية ، حيث يمكن استخدامها لتحسين التصوير الطبي.
