Réseaux de neurones pour supprimer les nuages des images aériennes

Les chercheurs et les scientifiques de la Division de l’énergie durable et de l’ingénierie environnementale de l’Université d’Osaka ont pu supprimer numériquement les nuages des images aériennes en utilisant des réseaux antagonistes génératifs (GAN). Avec les données résultantes, ils ont pu générer automatiquement des jeux de données précis de masques d’images de bâtiments. 

La recherche a été publiée dans Advanced Engineering Informatics. 

L’équipe a mis deux réseaux d’intelligence artificielle (IA) l’un contre l’autre pour améliorer la qualité des données, et cela n’a pas nécessité d’images étiquetées au préalable. Selon l’équipe, ces nouveaux développements pourraient être utilisés dans des domaines tels que l’ingénierie civile, où la technologie de vision par ordinateur est importante.

Apprentissage automatique pour la réparation d’images

L’apprentissage automatique est souvent utilisé pour réparer les images obscurcies, comme les images aériennes de bâtiments obscurcis par les nuages. Cette tâche peut être effectuée manuellement, mais elle est fastidieuse et moins efficace que les algorithmes d’apprentissage automatique. Même les algorithmes déjà disponibles nécessitent un grand ensemble d’images de formation, il est donc crucial de faire progresser la technologie plus loin.

C’est ce que les chercheurs de l’Université d’Osaka ont fait lorsqu’ils ont appliqué des réseaux antagonistes génératifs. Un réseau est le « réseau génératif », et il propose des images reconstruites sans les nuages. Ce réseau est opposé à un « réseau discriminatif », qui repose sur un réseau neuronal convolutionnel pour distinguer les images numériquement réparées des images réelles sans nuages.

Au fur et à mesure que les réseaux progressent dans ce processus, ils s’améliorent tous deux de plus en plus, ce qui leur permet de créer des images très réalistes avec les nuages numériquement effacés. 

Kazunosuke Ikeno est le premier auteur de l’article. 

« En formant le réseau génératif pour « tromper » le réseau discriminatif en pensant qu’une image est réelle, nous obtenons des images reconstruites qui sont plus auto-cohérentes », déclare Ikeno. 

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

Formation du système

L’équipe a utilisé des modèles virtuels 3D avec des photographies à partir d’un ensemble de données open source, et cela a été utilisé comme entrée. Cela a permis au système de générer automatiquement des « masques » numériques qui superposaient des bâtiments reconstruits sur les nuages. 

Tomohiro Fukuda est l’auteur principal de la recherche.

« Cette méthode permet de détecter les bâtiments dans les zones sans données de formation étiquetées », déclare Fukuda.

Le modèle formé a pu détecter les bâtiments avec une valeur « d’intersection sur l’union » de 0,651. Cette valeur est la mesure de la façon dont la zone reconstruite correspond à la zone réelle. 

Selon l’équipe, cette méthode peut améliorer la qualité d’autres ensembles de données avec des images obscurcies, il suffit de l’étendre. Cela peut inclure des images dans divers domaines, tels que les soins de santé, où elles pourraient être utilisées pour améliorer l’imagerie médicale.