Redes neurais ajudam a remover nuvens de imagens aéreas

Pesquisadores e cientistas da Divisão de Energia Sustentável e Engenharia Ambiental da Universidade de Osaka conseguiram remover digitalmente nuvens de imagens aéreas usando redes adversárias generativas (GANs). Com os dados resultantes, eles poderiam gerar automaticamente conjuntos de dados precisos de máscaras de imagem de construção. 

A pesquisa foi publicada em Engenharia Informática Avançada. 

A equipe colocou duas redes de inteligência artificial (IA) uma contra a outra para melhorar a qualidade dos dados e não exigiu imagens previamente rotuladas. Segundo a equipe, esses novos desenvolvimentos poderão ser utilizados em áreas como a engenharia civil, onde a tecnologia de visão computacional é importante.

Aprendizado de máquina para reparar imagens

O aprendizado de máquina é frequentemente usado para reparar imagens obscurecidas, como imagens aéreas de edifícios obscurecidos por nuvens. Essa tarefa pode ser realizada manualmente, mas é demorada e não é tão eficaz quanto os algoritmos de aprendizado de máquina. Mesmo os algoritmos já disponíveis requerem um grande conjunto de imagens de treinamento, por isso é crucial avançar ainda mais a tecnologia.

Foi isso que os pesquisadores da Universidade de Osaka fizeram quando aplicaram redes adversárias generativas. Uma rede é a “rede geradora” e propõe imagens reconstruídas sem as nuvens. Esta rede é colocada contra uma “rede discriminativa”, que depende de uma rede neural convolucional para distinguir entre as imagens reparadas digitalmente e as imagens reais sem nuvens.

À medida que as redes avançam nesse processo, ambas ficam cada vez melhores, o que lhes permite criar imagens altamente realistas com as nuvens apagadas digitalmente. 

Kazunosuke Ikeno é o primeiro autor do artigo. 

“Ao treinar a rede generativa para 'enganar' a rede discriminativa fazendo-a pensar que uma imagem é real, obtemos imagens reconstruídas que são mais autoconsistentes”, diz Ikeno. 

Imagem: 2021 Kazunosuke IKENO et al., Informática de Engenharia Avançada

Treinando o Sistema

A equipe contou com modelos virtuais 3D com fotografias de um conjunto de dados de código aberto, e isso foi usado como entrada. Isso permitiu que o sistema gerasse automaticamente “máscaras” digitais que sobrepunham edifícios reconstruídos na nuvem. 

Tomohiro Fukuda é o autor sênior da pesquisa.

“Esse método permite detectar edifícios em áreas sem dados de treinamento rotulados”, diz Fukuda.

O modelo treinado foi capaz de detectar edifícios com um valor de “interseção sobre união” de 0.651. Este valor é a medida de quão precisamente a área reconstruída corresponde à área real. 

Segundo a equipe, esse método pode melhorar a qualidade de outros conjuntos de dados com imagens obscurecidas, só precisa ser estendido. Isso pode incluir imagens em vários campos, como saúde, onde podem ser usadas para melhorar as imagens médicas.