Reti Neurali Aiutano a Rimuovere le Nuvole dalle Immagini Aeree

Ricercatori e scienziati della Divisione di Energia Sostenibile e Ingegneria Ambientale dell’Università di Osaka sono stati in grado di rimuovere digitalmente le nuvole dalle immagini aeree utilizzando reti generative avversarie (GAN). Con i dati risultanti, sono stati in grado di generare automaticamente set di dati precisi di maschere di immagini di edifici.

La ricerca è stata pubblicata su Advanced Engineering Informatics.

Il team ha utilizzato due reti di intelligenza artificiale (AI) una contro l’altra per migliorare la qualità dei dati, e non ha richiesto immagini etichettate in precedenza. Secondo il team, questi nuovi sviluppi potrebbero essere utilizzati in campi come l’ingegneria civile, dove la tecnologia di visione artificiale è importante.

Apprendimento Automatico per la Riparazione di Immagini

L’apprendimento automatico viene spesso utilizzato per riparare immagini oscurate, come immagini aeree di edifici oscurati da nuvole. Questo compito può essere eseguito manualmente, ma è lungo e non così efficace come gli algoritmi di apprendimento automatico. Anche gli algoritmi già disponibili richiedono un grande set di immagini di addestramento, quindi è fondamentale avanzare ulteriormente la tecnologia.

È questo che hanno fatto i ricercatori dell’Università di Osaka quando hanno applicato le reti generative avversarie. Una rete è la “rete generativa”, e propone immagini ricostruite senza nuvole. Questa rete è stata messa contro una “rete discriminatoria”, che si basa su una rete neurale convoluzionale per distinguere tra le immagini riparate digitalmente e le immagini reali senza nuvole.

Mentre le reti procedono in questo processo, entrambe diventano sempre più migliori, il che consente loro di creare immagini molto realistiche con le nuvole eliminate digitalmente.

Kazunosuke Ikeno è l’autore principale del documento.

“Addestrando la rete generativa a ‘ingannare’ la rete discriminatoria facendole pensare che un’immagine è reale, otteniamo immagini ricostruite che sono più coerenti”, dice Ikeno.

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

Addestramento del Sistema

Il team si è basato su modelli virtuali 3D con fotografie da un set di dati open-source, e questo è stato utilizzato come input. Ciò ha consentito al sistema di generare automaticamente maschere digitali che sovrapponevano edifici ricostruiti alle nuvole.

Tomohiro Fukuda è l’autore senior della ricerca.

“Questo metodo rende possibile rilevare edifici in aree senza dati di addestramento etichettati”, dice Fukuda.

Il modello addestrato è stato in grado di rilevare edifici con un valore di “intersezione su unione” di 0,651. Questo valore è la misura di quanto l’area ricostruita corrisponda all’area reale.

Secondo il team, questo metodo può migliorare la qualità di altri set di dati con immagini oscurate, basta estenderlo. Ciò può includere immagini in vari campi, come la sanità, dove potrebbe essere utilizzato per migliorare l’imaging medico.