الشبكات العصبية تساعد في إزالة السحب من الصور الجوية

تمكن الباحثون والعلماء من قسم الهندسة البيئية والطاقة المستدامة بجامعة أوساكا من إزالة السحب رقمياً من الصور الجوية باستخدام الشبكات العدائية التوليدية (GANs). مع البيانات الناتجة ، تمكنت من توليد مجموعات بيانات دقيقة لأقنعة الصور بشكل تلقائي.

نشر البحث في Advanced Engineering Informatics.

وضع الفريق شبكتين ذكاء اصطناعي ضد بعضهما البعض لتحسين جودة البيانات ، ولم يكن ذلك يتطلب صورًا مسبوقة التسمية. وفقًا للفريق ، يمكن استخدام هذه التطورات الجديدة في مجالات مثل الهندسة المدنية ، حيث يكون تقنية الرؤية الحاسوبية مهمة.

تعلم الآلة ل修復 الصور

غالبًا ما يتم استخدام تعلم الآلة ل修復 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 المُدَرَّبة ، لذلك من المهم تطوير التكنولوجيا بشكل أكبر.

هذا ما فعلته الباحثون في جامعة أوساكا عندما طبقوا الشبكات العدائية التوليدية. شبكة واحدة هي “الشبكة التوليدية” ، وتقترح صورًا معادَ بناؤها بدون سحب. يتم وضع هذه الشبكة ضد “الشبكة التمييزية” ، التي تعتمد على شبكة عصبونية توطينية لتمييز الصور الرقمية بين الصور الحقيقية بدون سحب.

随着 تقدم الشبكات في هذه العملية ، تصبح كلا الشبكتين أكثر تحسناً ، مما يسمح لهما بإنشاء 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 معادَ بناؤها أكثر اتساقاً” ، يقول إيكينو.

صورة: 2021 كازونوسكي IKENO وآخرون. ، Advanced Engineering Informatics

تدريب النظام

اعتمد الفريق على نماذج افتراضية ثلاثية الأبعاد مع صور من مجموعة بيانات مفتوحة المصدر ، وتم استخدامها كمدخلات. هذا سمح للنظام بإنشاء “مasks” رقمية تلقائياً تضع المباني المعادَ بناؤها على 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 بقيمة “التقاطع على الاتحاد” 0.651. هذه القيمة هي مقياس لمدى دقة المنطقة المعادَ بناؤها بالفعل.

وفقًا للفريق ، يمكن أن تحسن هذه الطريقة جودة مجموعات بيانات أخرى تحتوي على صور مخفية ، فقط تحتاج إلى توسيعها. يمكن أن تشمل هذه الصور مجالات مختلفة ، مثل الرعاية الصحية ، حيث يمكن استخدامها لتحسين التصوير الطبي.