Neural Network များသည် ဝေဟင်မှ တိမ်တိုက်များကို ဖယ်ရှားရန် ကူညီပေးသည်။

Osaka တက္ကသိုလ်ရှိ စဉ်ဆက်မပြတ်စွမ်းအင်နှင့် သဘာဝပတ်ဝန်းကျင်ဆိုင်ရာ အင်ဂျင်နီယာဌာနခွဲမှ သုတေသီများနှင့် သိပ္ပံပညာရှင်များသည် generative adversarial networks (GANs) ကို အသုံးပြု၍ ဝေဟင်ပုံများမှ တိမ်များကို ဒစ်ဂျစ်တယ်စနစ်ဖြင့် ဖယ်ရှားနိုင်ခဲ့ကြသည်။ ထွက်ပေါ်လာသောဒေတာဖြင့်၊ ၎င်းတို့သည် တည်ဆောက်ပုံမျက်နှာဖုံးများ၏ တိကျသောဒေတာအတွဲများကို အလိုအလျောက်ထုတ်ပေးနိုင်သည်။ 

အဆိုပါသုတေသနအတွက်ပုံနှိပ်ထုတ်ဝေခဲ့သည် အဆင့်မြင့် အင်ဂျင်နီယာနည်းပညာ. 

အဖွဲ့သည် ဒေတာအရည်အသွေးကို မြှင့်တင်ရန်အတွက် ဥာဏ်ရည်တု (AI) ကွန်ရက်နှစ်ခုကို တစ်ခုနှင့်တစ်ခု ချိတ်ဆက်ထားကာ ယခင်က တံဆိပ်တပ်ထားသော ပုံများမလိုအပ်ပါ။ အဖွဲ့၏အဆိုအရ၊ ကွန်ပျူတာအမြင်နည်းပညာသည် အရေးပါသည့် မြို့ပြအင်ဂျင်နီယာကဲ့သို့ နယ်ပယ်များတွင် ဤတိုးတက်မှုအသစ်များကို အသုံးပြုနိုင်သည်။

ပုံများကို ပြုပြင်ရန်အတွက် စက်သင်ယူခြင်း။

တိမ်များဖုံးလွှမ်းနေသော အဆောက်အဦများ၏ ဝေဟင်မှပုံရိပ်များကဲ့သို့ တိမ်မြုပ်နေသောပုံရိပ်များကို ပြုပြင်ရန်အတွက် စက်သင်ယူမှုကို မကြာခဏအသုံးပြုသည်။ ဤတာဝန်ကို ကိုယ်တိုင်လုပ်ဆောင်နိုင်သော်လည်း စက်သင်ယူမှု အယ်လဂိုရီသမ်များကဲ့သို့ အချိန်ကုန်ပြီး ထိရောက်မှုမရှိပါ။ ရရှိထားပြီးဖြစ်သော အဆိုပါ algorithms များပင်လျှင် လေ့ကျင့်ရေးပုံရိပ်များစွာ လိုအပ်သောကြောင့် နည်းပညာကို ပိုမိုတိုးတက်အောင်ပြုလုပ်ရန် အရေးကြီးပါသည်။

အိုဆာကာတက္ကသိုလ်မှ သုတေသီများသည် မျိုးဆက်ပွားဆန့်ကျင်ဘက်ကွန်ရက်များကို အသုံးချသောအခါတွင် ဤအရာသည် လုပ်ဆောင်ခဲ့သည်။ ကွန်ရက်တစ်ခုသည် “မျိုးဆက်သစ်ကွန်ရက်” ဖြစ်ပြီး ၎င်းသည် တိမ်များမပါဘဲ ပြန်လည်တည်ဆောက်ထားသော ပုံများကို အဆိုပြုသည်။ ဤကွန်ရက်သည် ဒစ်ဂျစ်တယ်ပြုပြင်ထားသောပုံများနှင့် တိမ်များမပါဘဲ တကယ့်ပုံများကြားတွင် ပိုင်းခြားရန် convolutional neural network ကို မှီခိုနေသည့် "ခွဲခြားဆက်ဆံမှုကွန်ရက်" ကို ဆန့်ကျင်ထားသည်။

ကွန်ရက်များသည် ဤလုပ်ငန်းစဉ်ကို ဆက်လက်လုပ်ဆောင်လာသည်နှင့်အမျှ ၎င်းတို့နှစ်ဦးစလုံးသည် ပိုမိုကောင်းမွန်လာကာ ၎င်းတို့နှစ်ဦးစလုံးသည် တိမ်တိုက်များကို ဒစ်ဂျစ်တယ်စနစ်ဖြင့် ဖျက်လိုက်ခြင်းဖြင့် လက်တွေ့ဆန်သော ရုပ်ပုံများကို ဖန်တီးနိုင်စေမည်ဖြစ်သည်။ 

Kazunosuke Ikeno သည် စာတမ်းကို ပထမဆုံးရေးသားသူဖြစ်သည်။ 

“ရုပ်ပုံတစ်ပုံဟာ အစစ်အမှန်လို့ ထင်မြင်အောင် ခွဲခြားဆက်ဆံတတ်တဲ့ ကွန်ရက်ကို 'အရူး' ဖြစ်အောင် မျိုးဆက်ပွားကွန်ရက်ကို လေ့ကျင့်ပေးခြင်းဖြင့်၊ ကျွန်ုပ်တို့ဟာ ပိုမိုသဟဇာတဖြစ်တဲ့ ပြန်လည်တည်ဆောက်ထားတဲ့ ပုံတွေကို ရရှိမှာပါ” ဟု Ikeno က ပြောကြားခဲ့သည်။ 

ပုံ- 2021 Kazunosuke IKENO et al.၊ အဆင့်မြင့် အင်ဂျင်နီယာ အချက်အလက်

System ကိုလေ့ကျင့်ခြင်း။

အဖွဲ့သည် open-source dataset မှ ဓာတ်ပုံများပါသည့် 3D virtual မော်ဒယ်များကို အားကိုးပြီး ၎င်းကို ထည့်သွင်းမှုအဖြစ် အသုံးပြုခဲ့သည်။ ၎င်းသည် cloud ပေါ်တွင် ပြန်လည်တည်ဆောက်ထားသော အဆောက်အအုံများကို ထပ်ကာထပ်ကာ ဒစ်ဂျစ်တယ် “မျက်နှာဖုံးများ” အလိုအလျောက် ထုတ်လုပ်နိုင်စေခဲ့သည်။ 

Tomohiro Fukuda သည် သုတေသန၏ အကြီးတန်းစာရေးဆရာဖြစ်သည်။

“ဒီနည်းလမ်းက လေ့ကျင့်ရေးအချက်အလက်မပါတဲ့ နေရာတွေမှာ အဆောက်အဦတွေကို ထောက်လှမ်းနိုင်စေတယ်” ဟု Fukuda က ဆိုသည်။

လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်သည် 0.651 တန်ဘိုးရှိသော "ပြည်ထောင်စုလမ်းဆုံလမ်းဆုံ" ရှိသည့် အဆောက်အဦများကို ရှာဖွေတွေ့ရှိနိုင်ခဲ့သည်။ ဤတန်ဖိုးသည် ပြန်လည်တည်ဆောက်ထားသော ဧရိယာသည် အမှန်တကယ်ဧရိယာနှင့် မည်ကဲ့သို့ တိကျစွာ တိုင်းတာခြင်းဖြစ်သည် ။ 

အဖွဲ့၏အဆိုအရ၊ ဤနည်းလမ်းသည် တိမ်မြုပ်နေသောပုံများဖြင့် အခြားဒေတာအတွဲများ၏ အရည်အသွေးကို မြှင့်တင်ပေးနိုင်သည်၊ ၎င်းကို တိုးချဲ့ရန် လိုအပ်သည်။ ၎င်းသည် ဆေးဘက်ဆိုင်ရာပုံရိပ်ကို မြှင့်တင်ရန်အတွက် အသုံးပြုနိုင်သည့် ကျန်းမာရေးစောင့်ရှောက်မှုကဲ့သို့သော နယ်ပယ်အသီးသီးတွင် ပုံများပါ၀င်နိုင်သည်။