Արհեստական բանականություն
Նյարդային ցանցերը օգնում են հեռացնել ամպերը օդային պատկերներից
Օսակայի համալսարանի Կայուն էներգիայի և շրջակա միջավայրի ճարտարագիտության բաժնի հետազոտողները և գիտնականները կարողացել են թվային կերպով հեռացնել ամպերը օդային պատկերներից՝ օգտագործելով գեներատիվ հակառակորդ ցանցերը (GANs): Ստացված տվյալների շնորհիվ նրանք կարող են ավտոմատ կերպով ստեղծել պատկերի դիմակների կառուցման ճշգրիտ տվյալների հավաքածուներ:
Հետազոտությունը հրապարակվել է Ընդլայնված ինժեներական ինֆորմատիկա.
Թիմը երկու արհեստական ինտելեկտի (AI) ցանցեր է տեղադրել միմյանց դեմ՝ տվյալների որակը բարելավելու համար, և դա չի պահանջում նախկինում պիտակավորված պատկերներ: Ըստ թիմի՝ այս նոր զարգացումները կարող են օգտագործվել այնպիսի ոլորտներում, ինչպիսին է ինժեներությունը, որտեղ համակարգչային տեսողության տեխնոլոգիան կարևոր է:
Մեքենայի ուսուցում պատկերների վերանորոգման համար
Մեքենայական ուսուցումը հաճախ օգտագործվում է մթագնված պատկերները վերանորոգելու համար, ինչպես շենքերի օդային պատկերները, որոնք ծածկված են ամպերով: Այս առաջադրանքը հնարավոր է կատարել ձեռքով, բայց դա ժամանակատար է և ոչ այնքան արդյունավետ, որքան մեքենայական ուսուցման ալգորիթմները: Նույնիսկ արդեն հասանելի այդ ալգորիթմները պահանջում են վերապատրաստման պատկերների մեծ հավաքածու, ուստի կարևոր է տեխնոլոգիան ավելի առաջ մղել:
Սա այն է, ինչ արեցին Օսակայի համալսարանի հետազոտողները, երբ նրանք կիրառեցին գեներատիվ հակառակորդ ցանցեր: Ցանցերից մեկը «գեներատիվ ցանցն» է, և այն առաջարկում է վերակառուցված պատկերներ առանց ամպերի: Այս ցանցը դրված է «խտրական ցանցի» դեմ, որը հենվում է կոնվոլյուցիոն նեյրոնային ցանցի վրա՝ թվային վերանորոգված նկարները տարբերելու իրական պատկերներից՝ առանց ամպերի:
Քանի որ ցանցերն անցնում են այս գործընթացով, դրանք երկուսն էլ գնալով ավելի լավանում են, ինչը նրանց հնարավորություն է տալիս ստեղծել շատ իրատեսական պատկերներ՝ թվայնորեն ջնջված ամպերով:
Կազունոսուկե Իկենոն թղթի առաջին հեղինակն է։
«Վարժեցնելով գեներատիվ ցանցին «խաբել» խտրական ցանցին, որպեսզի կարծեն, թե պատկերն իրական է, մենք ստանում ենք վերակառուցված պատկերներ, որոնք ավելի ինքնահաստատված են», - ասում է Իկենոն:
Համակարգի ուսուցում
Թիմը հիմնվել է 3D վիրտուալ մոդելների վրա՝ լուսանկարներով բաց կոդով տվյալների բազայից, և սա օգտագործվել է որպես մուտքագրում: Սա թույլ տվեց համակարգին ավտոմատ կերպով ստեղծել թվային «դիմակներ», որոնք ծածկում էին վերակառուցված շենքերը ամպի վրա:
Տոմոհիրո Ֆուկուդան հետազոտության ավագ հեղինակն է։
«Այս մեթոդը հնարավորություն է տալիս հայտնաբերել շենքերը տարածքներում, որտեղ պիտակավորված ուսումնական տվյալներ չկան», - ասում է Ֆուկուդան:
Վերապատրաստված մոդելը կարողացել է հայտնաբերել շենքեր, որոնց «միության խաչմերուկը» 0.651 արժեք է: Այս արժեքը չափում է, թե որքանով է վերակառուցված տարածքը համապատասխանում իրական տարածքին:
Ըստ թիմի՝ այս մեթոդը կարող է բարելավել այլ տվյալների հավաքածուների որակը մութ պատկերներով, պարզապես այն պետք է ընդլայնվի: Սա կարող է ներառել պատկերներ տարբեր ոլորտներում, ինչպիսիք են առողջապահությունը, որտեղ այն կարող է օգտագործվել բժշկական պատկերումը բարելավելու համար: