Neuronale netwerken helpen bij het verwijderen van wolken uit luchtfoto’s

Onderzoekers en wetenschappers van de afdeling Duurzame Energie en Milieutechniek van de Osaka University konden digitale wolken uit luchtfoto’s verwijderen door gebruik te maken van generatieve adversarial netwerken (GAN’s). Met de resulterende gegevens konden ze automatisch nauwkeurige datasets van gebouwafbeeldingen maken.

Het onderzoek werd gepubliceerd in Advanced Engineering Informatics.

Het team zette twee kunstmatige intelligentie (AI) netwerken tegen elkaar op om de gegevenskwaliteit te verbeteren, en het vereiste geen eerder gelabelde afbeeldingen. Volgens het team kunnen deze nieuwe ontwikkelingen worden gebruikt in gebieden zoals civiele techniek, waar computervisietechnologie belangrijk is.

Machine Learning voor het herstellen van afbeeldingen

Machine learning wordt vaak gebruikt om afbeeldingen te herstellen die door wolken worden verduisterd, zoals luchtfoto’s van gebouwen die door wolken worden bedekt. Deze taak kan handmatig worden uitgevoerd, maar het is tijdrovend en niet zo effectief als machine learning-algoritmen. Zelfs de algoritmen die momenteel beschikbaar zijn, vereisen een grote set trainingsafbeeldingen, dus het is cruciaal om de technologie verder te ontwikkelen.

Dit is wat de onderzoekers van de Osaka University deden toen ze generatieve adversarial netwerken toepasten. Een netwerk is het “generatieve netwerk” en het stelt gereconstrueerde afbeeldingen voor zonder wolken. Dit netwerk wordt tegen een “discriminatief netwerk” gezet, dat gebruik maakt van een convolutioneel neuronaal netwerk om het verschil te zien tussen de digitaal herstelde afbeeldingen en echte afbeeldingen zonder wolken.

Naarmate de netwerken dit proces doorlopen, worden ze allebei steeds beter, wat het mogelijk maakt om zeer realistische afbeeldingen te maken met de wolken digitaal gewist.

Kazunosuke Ikeno is de eerste auteur van het artikel.

“Door het generatieve netwerk te trainen om het discriminatieve netwerk te ‘bedriegen’ om te denken dat een afbeelding echt is, krijgen we gereconstrueerde afbeeldingen die meer zelfconsistent zijn,” zegt Ikeno.

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

Het trainen van het systeem

Het team maakte gebruik van 3D-virtuele modellen met foto’s uit een open-source dataset, en dit werd gebruikt als invoer. Dit stelde het systeem in staat om automatisch digitale “maskers” te genereren die gereconstrueerde gebouwen over de wolken heen legden.

Tomohiro Fukuda is de senior auteur van het onderzoek.

“Deze methode maakt het mogelijk om gebouwen te detecteren in gebieden zonder gelabelde trainingsgegevens,” zegt Fukuda.

Het getrainde model kon gebouwen detecteren met een “intersectie over unie”-waarde van 0,651. Deze waarde is de maatstaf voor hoe nauwkeurig het gereconstrueerde gebied overeenkomt met het werkelijke gebied.

Volgens het team kan deze methode de kwaliteit van andere datasets met afbeeldingen die door wolken worden verduisterd verbeteren, het hoeft alleen maar uitgebreid te worden. Dit kan omvatten afbeeldingen in verschillende gebieden, zoals de gezondheidszorg, waar het kan worden gebruikt om medische beeldvorming te verbeteren.