KI-Modelle und Plattformen
Neuronale Netze helfen, Wolken von Luftbildern zu entfernen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Forscher und Wissenschaftler der Abteilung für nachhaltige Energie und Umwelttechnik an der Osaka University konnten digitale Wolken von Luftbildern mithilfe von generativen adversarialen Netzen (GANs) entfernen. Mit den resultierenden Daten konnten sie automatisch genaue Datensätze von Bildmasken von Gebäuden erstellen.
Die Forschung wurde in Advanced Engineering Informatics veröffentlicht.
Das Team setzte zwei künstliche Intelligenz-Netzwerke (AI) gegeneinander ein, um die Datenqualität zu verbessern, und es war nicht erforderlich, vorher beschriftete Bilder zu verwenden. Laut dem Team könnten diese neuen Entwicklungen in Bereichen wie dem Bauwesen eingesetzt werden, wo Computer-Vision-Technologie wichtig ist.
Machine Learning für die Reparatur von Bildern
Machine Learning wird oft verwendet, um verdeckte Bilder, wie Luftbilder von Gebäuden, die von Wolken verdeckt sind, zu reparieren. Diese Aufgabe kann manuell durchgeführt werden, ist jedoch zeitaufwändig und nicht so effektiv wie Machine-Learning-Algorithmen. Selbst die bereits verfügbaren Algorithmen erfordern eine große Menge an Trainingsbildern, sodass es wichtig ist, die Technologie weiterzuentwickeln.
Das ist es, was die Forscher an der Osaka University getan haben, als sie generative adversarialen Netze anwendeten. Ein Netzwerk ist das “generative Netzwerk”, das rekonstruierte Bilder ohne Wolken vorschlägt. Dieses Netzwerk wird gegen ein “diskriminatives Netzwerk” gesetzt, das auf einem convolutionalen neuronalen Netzwerk basiert, um zwischen digital reparierten Bildern und echten Bildern ohne Wolken zu unterscheiden.
Wenn die Netzwerke diesen Prozess durchlaufen, verbessern sie sich beide kontinuierlich, was es ermöglicht, hochrealistische Bilder mit digital entfernten Wolken zu erstellen.
Kazunosuke Ikeno ist der erste Autor des Papiers.
“Indem wir das generative Netzwerk trainieren, das diskriminative Netzwerk zu ‘täuschen’, um ein Bild für echt zu halten, erhalten wir rekonstruierte Bilder, die selbstkonsistenter sind”, sagt Ikeno.
Bild: 2021 Kazunosuke IKENO et al., Advanced Engineering Informatics
Das Trainieren des Systems
Das Team verwendete 3D-Virtual-Modelle mit Fotografien aus einer Open-Source-Datenbank als Eingabe. Dies ermöglichte es dem System, automatisch digitale “Masken” zu generieren, die rekonstruierte Gebäude über die Wolken legten.
Tomohiro Fukuda ist der Senior-Autor der Forschung.
“Diese Methode ermöglicht es, Gebäude in Bereichen ohne beschriftete Trainingsdaten zu erkennen”, sagt Fukuda.
Das trainierte Modell konnte Gebäude mit einem “Intersection over Union”-Wert von 0,651 erkennen. Dieser Wert ist die Messung, wie genau die rekonstruierte Fläche der tatsächlichen Fläche entspricht.
Laut dem Team kann diese Methode die Qualität anderer Datensätze mit verdeckten Bildern verbessern, sie muss nur erweitert werden. Dies kann Bilder in verschiedenen Bereichen umfassen, wie der Gesundheitsversorgung, wo sie zur Verbesserung der medizinischen Bildgebung eingesetzt werden könnte.
