Невронните мрежи помагат за премахване на облаци от въздушни изображения

Изследователи и учени от отдела за устойчива енергия и екологично инженерство в университета в Осака успяха да премахнат цифрово облаците от въздушни изображения с помощта на генеративни противопоставящи се мрежи (GAN). С получените данни те биха могли автоматично да генерират точни набори от данни за изграждане на маски на изображения. 

Изследването е публикувано в Разширена инженерна информатика. 

Екипът постави две мрежи с изкуствен интелект (AI) една срещу друга, за да подобри качеството на данните и не изисква изображения с етикети, които преди това са маркирани. Според екипа тези нови разработки могат да се използват в области като гражданското инженерство, където технологията за компютърно зрение е важна.

Машинно обучение за поправка на изображения

Машинното обучение често се използва за поправяне на затъмнени изображения, като въздушни изображения на сгради, закрити от облаци. Тази задача може да се извърши ръчно, но отнема време и не е толкова ефективна, колкото алгоритмите за машинно обучение. Дори тези алгоритми, които вече са налични, изискват голям набор от образи за обучение, така че е от решаващо значение технологията да се усъвършенства допълнително.

Това направиха изследователите от университета в Осака, когато приложиха генеративни състезателни мрежи. Една мрежа е „генеративната мрежа“ и предлага реконструирани изображения без облаци. Тази мрежа е поставена срещу „дискриминативна мрежа“, която разчита на конволюционна невронна мрежа, за да прави разлика между цифрово ремонтираните снимки и реалните изображения без облаци.

Докато мрежите преминават през този процес, и двете стават все по-добри, което им позволява да създават изключително реалистични изображения с цифрово изтрити облаци. 

Kazunosuke Ikeno е първият автор на статията. 

„Като обучаваме генеративната мрежа да „заблуди“ дискриминиращата мрежа да мисли, че изображението е реално, ние получаваме реконструирани изображения, които са по-съгласувани сами по себе си“, казва Икено. 

Изображение: 2021 Kazunosuke IKENO и др., Advanced Engineering Informatics

Обучение на системата

Екипът разчиташе на 3D виртуални модели със снимки от набор от данни с отворен код и това беше използвано като вход. Това позволи на системата автоматично да генерира цифрови „маски“, които покриват реконструирани сгради в облака. 

Томохиро Фукуда е старши автор на изследването.

„Този ​​метод прави възможно откриването на сгради в зони без етикетирани данни за обучение“, казва Фукуда.

Обученият модел успя да открие сгради със стойност на „пресичане над обединение“ от 0.651. Тази стойност е измерването на това колко точно реконструираната площ съответства на действителната площ. 

Според екипа този метод може да подобри качеството на други набори от данни с изображения, които са затъмнени, просто трябва да бъде разширен. Това може да включва изображения в различни области, като здравеопазване, където може да се използва за подобряване на медицинските изображения.