Redes Neurais Removem 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 puderam gerar automaticamente conjuntos de dados precisos de máscaras de imagens de edifícios.

A pesquisa foi publicada em Advanced Engineering Informatics.

A equipe colocou duas redes de inteligência artificial (IA) contra si mesmas para melhorar a qualidade dos dados, e não foi necessário ter imagens previamente rotuladas. De acordo com a equipe, esses novos desenvolvimentos podem ser usados em campos como 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 feita 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, então é crucial avançar a tecnologia ainda mais.

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

À medida que as redes procedem por esse processo, elas se tornam cada vez melhores, o que permite que criem imagens altamente realistas com as nuvens digitalmente apagadas.

Kazunosuke Ikeno é o primeiro autor do artigo.

“Treinando a rede geradora para ‘enganar’ a rede discriminativa, fazendo-a pensar que uma imagem é real, obtemos imagens reconstruídas que são mais coerentes”, diz Ikeno.

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

Treinamento do Sistema

A equipe se baseou em 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 sobreporiam edifícios reconstruídos sobre as nuvens.

Tomohiro Fukuda é o autor sênior da pesquisa.

“Esse método torna possível 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. Esse valor é a medida de quão precisamente a área reconstruída corresponde à área real.

De acordo com a equipe, esse método pode melhorar a qualidade de outros conjuntos de dados com imagens obscurecidas, desde que seja estendido. Isso pode incluir imagens em vários campos, como saúde, onde pode ser usado para melhorar a imagem médica.