Νευρωνικά Δίκτυα Βοηθούν στην Αφαίρεση Σύννεφων από Εναέριες Εικόνες

Ερευνητές και επιστήμονες από το Τμήμα Βιώσιμης Ενέργειας και Περιβαλλοντικής Μηχανικής του Πανεπιστημίου του Όσака κατάφεραν να αφαιρέσουν ψηφιακά τα σύννεφα από εναέριες εικόνες χρησιμοποιώντας γενετικά ανταγωνιστικά δίκτυα (GANs). Με τα αποτέλεσματα αυτά, μπορούσαν να δημιουργήσουν αυτόματα ακριβή σύνολα δεδομένων για μάσκες εικόνων κτιρίων.

Η έρευνα δημοσιεύθηκε στο Advanced Engineering Informatics.

Η ομάδα έθεσε δύο δίκτυα τεχνητής νοημοσύνης (AI) το ένα ενάντια στο άλλο για να βελτιώσει την ποιότητα των δεδομένων, και δεν χρειαζόταν προηγουμένως επισημασμένες εικόνες. Σύμφωνα με την ομάδα, αυτές οι νέες εξελίξεις θα μπορούσαν να χρησιμοποιηθούν σε πεδία όπως η πολιτική μηχανική, όπου η τεχνολογία οπτικής αναγνώρισης είναι σημαντική.

Μηχανική Μάθηση για την Επισκευή Εικόνων

Η μηχανική μάθηση χρησιμοποιείται συχνά για την επισκευή εικόνων που είναι καλυμμένες, όπως εναέριες εικόνες κτιρίων που καλύπτονται από σύννεφα. Αυτό το έργο μπορεί να γίνει χειροκίνητα, αλλά είναι χρονοβόρο και δεν είναι τόσο αποτελεσματικό όσο οι αλγόριθμοι της μηχανικής μάθησης. Ακόμη και οι αλγόριθμοι που υπάρχουν ήδη απαιτούν ένα μεγάλο σύνολο εικόνων εκπαίδευσης, οπότε είναι κρίσιμο να προχωρήσουμε την τεχνολογία περαιτέρω.

Αυτό είναι αυτό που έκαναν οι ερευνητές στο Πανεπιστήμιο του Όσака όταν εφαρμόσαν τα γενετικά ανταγωνιστικά δίκτυα. Ένα δίκτυο είναι το “γενετικό δίκτυο” και προτείνει ανακατασκευασμένες εικόνες χωρίς τα σύννεφα. Αυτό το δίκτυο τοποθετείται ενάντια σε ένα “διακριτικό δίκτυο”, το οποίο βασίζεται σε ένα δίκτυοニュ럴 για να διακρίνει μεταξύ των ψηφιακά επισκευασμένων εικόνων και των πραγματικών εικόνων χωρίς σύννεφα.

Καθώς τα δίκτυα προχωρούν σε αυτή τη διαδικασία, και τα δύο γίνονται ολοένα και καλύτερα, το οποίο είναι αυτό που τους επιτρέπει να δημιουργήσουν πολύ πραγματικές εικόνες με τα σύννεφα ψηφιακά διαγραμμένα.

Ο Kazunosuke Ikeno είναι ο πρώτος συγγραφέας του εγγράφου.

“Εκπαιδεύοντας το γενετικό δίκτυο να ‘εξαπατήσει’ το διακριτικό δίκτυο να πιστεύει ότι μια εικόνα είναι πραγματική, λαμβάνουμε ανακατασκευασμένες εικόνες που είναι πιο συνεπείς”, λέει ο Ikeno.

Εικόνα: 2021 Kazunosuke IKENO et al., Advanced Engineering Informatics

Εκπαίδευση του Συστήματος

Η ομάδα βασίστηκε σε 3D εικονικά μοντέλα με φωτογραφίες από ένα ανοιχτό σύνολο δεδομένων, και αυτό χρησιμοποιήθηκε ως είσοδος. Αυτό επέτρεψε στο σύστημα να δημιουργήσει αυτόματα ψηφιακές “μάσκες” που επικάλυπταν ανακατασκευασμένα κτίρια πάνω από τα σύννεφα.

Ο Tomohiro Fukuda είναι ο senior συγγραφέας της έρευνας.

“Αυτή η μέθοδος καθιστά δυνατό να ανιχνεύονται κτίρια σε περιοχές χωρίς επισημασμένα δεδομένα εκπαίδευσης”, λέει ο Fukuda.

Το εκπαιδευμένο μοντέλο ήταν σε θέση να ανιχνεύσει κτίρια με μια “διέλευση πάνω από ένωση” τιμή του 0,651. Αυτή η τιμή είναι το μέτρο του πόσο ακριβώς η ανακατασκευασμένη περιοχή αντιστοιχεί στην πραγματική περιοχή.

Σύμφωνα με την ομάδα, αυτή η μέθοδος μπορεί να βελτιώσει την ποιότητα άλλων συνόλων δεδομένων με εικόνες που είναι καλυμμένες, απλώς χρειάζεται να επεκταθεί. Αυτό μπορεί να περιλαμβάνει εικόνες σε διάφορα πεδία, όπως η υγεία, όπου θα μπορούσε να χρησιμοποιηθεί για να βελτιώσει την ιατρική απεικόνιση.