신경망은 항공 이미지에서 구름을 제거하는 데 도움이 됩니다

오사카 대학의 지속 가능한 에너지 및 환경 공학 부門의 연구자와 과학자들은 생성적 적대적 신경망(GANs)을 사용하여 항공 이미지에서 구름을 디지털로 제거할 수 있었습니다. 결과 데이터를 사용하여 건물 이미지 마스크의 정확한 데이터 세트를 자동으로 생성할 수 있었습니다.

이 연구는 Advanced Engineering Informatics에 발표되었습니다.

팀은 데이터 품질을 개선하기 위해 두 개의 인공 지능(AI) 네트워크를 서로에 대립시켰으며, 이전에 레이블이 지정된 이미지가 필요하지 않았습니다. 팀에 따르면, 이러한 새로운 개발은 컴퓨터 비전 기술이 중요한 시민 공학과 같은 분야에서 사용될 수 있습니다.

이미지 복원 위한 기계 학습

기계 학습은 구름으로 가려진 건물의 항공 이미지와 같은 가려진 이미지를 복원하는 데 자주 사용됩니다. 이 작업은 수동으로 수행할 수 있지만 시간이 많이 걸리고 기계 학습 알고리즘만큼 효과적이지 않습니다. 이미 사용 가능한 알고리즘은大量의 훈련 이미지 세트가 필요하므로 기술을 더욱 발전시키는 것이 중요합니다.

오사카 대학의 연구자들이 생성적 적대적 신경망을 적용했을 때, 이것이 바로 그랬습니다. 하나의 네트워크는 “생성 네트워크”이며, 구름이 없는 재구성된 이미지를 제안합니다. 이 네트워크는 구름이 없는 실제 이미지와 디지털로 복원된 사진을 구별하는 데 종속된 합성 신경망을 사용하는 “판별 네트워크”와 대립합니다.

네트워크가 이 과정을 진행함에 따라, 둘 다 점점 더 좋아지며, 이는 구름이 디지털로 지워진 매우 실제적인 이미지를 생성할 수 있게 합니다.

Kazunosuke Ikeno는 논문의 첫 번째 저자입니다.

“생성 네트워크를 훈련시켜 판별 네트워크가 이미지를 실제로 생각하게 하는 것으로, 우리는 더 자기 일관적인 재구성된 이미지를 얻을 수 있습니다.” Ikeno는 말합니다.

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

시스템 훈련

팀은 3D 가상 모델과 공개 데이터 세트의 사진을 사용하여 입력으로 사용했습니다. 이것은 시스템이 재구성된 건물을 구름 위에 자동으로 디지털 “마스크”를 생성할 수 있게 했습니다.

Tomohiro Fukuda는 연구의 선임 저자입니다.

“이 방법을 사용하면 레이블이 지정된 훈련 데이터가 없는 영역에서 건물을 감지할 수 있습니다.” Fukuda는 말합니다.

훈련된 모델은 “교차 합” 값 0.651로 건물을 감지할 수 있었습니다. 이 값은 재구성된 영역이 실제 영역과 얼마나 정확하게 일치하는지의 측정입니다.

팀에 따르면, 이 방법을 확장하여 가려진 이미지로 구성된 다른 데이터 세트의 품질을 개선할 수 있습니다. 이것은 의료와 같은 다양한 분야에서 사용될 수 있으며, 의료 이미지를 개선하는 데 사용될 수 있습니다.