Modelos y plataformas de IA
Redes Neurales Ayudan a Eliminar Nubes de Imágenes Aéreas
Añade Unite.AI a tus fuentes preferidas en Google
Investigadores y científicos de la División de Energía Sostenible e Ingeniería Ambiental de la Universidad de Osaka lograron eliminar digitalmente nubes de imágenes aéreas utilizando redes generativas adversarias (GAN). Con los datos resultantes, pudieron generar automáticamente conjuntos de datos precisos de máscaras de imágenes de edificios.
La investigación se publicó en Advanced Engineering Informatics.
El equipo enfrentó dos redes de inteligencia artificial (IA) para mejorar la calidad de los datos, y no requirió imágenes etiquetadas previamente. Según el equipo, estos nuevos desarrollos podrían utilizarse en campos como la ingeniería civil, donde la tecnología de visión por computadora es importante.
Aprendizaje Automático para Reparar Imágenes
El aprendizaje automático se utiliza a menudo para reparar imágenes obscurecidas, como imágenes aéreas de edificios obscurecidos por nubes. Esta tarea se puede realizar manualmente, pero es tiempo consumido y no tan efectiva como los algoritmos de aprendizaje automático. Incluso los algoritmos ya disponibles requieren un gran conjunto de imágenes de entrenamiento, por lo que es crucial avanzar en la tecnología.
Esto es lo que los investigadores de la Universidad de Osaka hicieron cuando aplicaron redes generativas adversarias. Una red es la “red generativa”, y propone imágenes reconstruidas sin nubes. Esta red se enfrenta a una “red discriminativa”, que se basa en una red neuronal convolucional para distinguir entre las imágenes digitalmente reparadas y las imágenes reales sin nubes.
A medida que las redes avanzan en este proceso, ambas se vuelven cada vez mejores, lo que les permite crear imágenes muy realistas con las nubes digitalmente eliminadas.
Kazunosuke Ikeno es el primer autor del documento.
“Al entrenar la red generativa para ‘engañar’ a la red discriminativa para que piense que una imagen es real, obtenemos imágenes reconstruidas que son más autoconsistente”, dice Ikeno.
Imagen: 2021 Kazunosuke IKENO et al., Advanced Engineering Informatics
Entrenando el Sistema
El equipo se basó en modelos virtuales 3D con fotografías de un conjunto de datos de código abierto, y esto se utilizó como entrada. Esto permitió que el sistema generara automáticamente “máscaras” digitales que superponían edificios reconstruidos sobre la nube.
Tomohiro Fukuda es el autor senior de la investigación.
“Este método hace posible detectar edificios en áreas sin datos de entrenamiento etiquetados”, dice Fukuda.
El modelo entrenado pudo detectar edificios con un valor de “intersección sobre unión” de 0,651. Este valor es la medición de cuán precisamente el área reconstruida corresponde al área real.
Según el equipo, este método puede mejorar la calidad de otros conjuntos de datos con imágenes que están obscurecidas, solo necesita ser extendido. Esto puede incluir imágenes en varios campos, como la atención médica, donde podría utilizarse para mejorar la imagen médica.
