Hava Görüntülerinden Bulutları Kaldırmaya Yardımcı Olan Sinir Ağları

Osaka Üniversitesi’ndeki Sürdürülebilir Enerji ve Çevre Mühendisliği Bölümü’nden araştırmacılar ve bilim adamları, hava görüntülerinden bulutları dijital olarak kaldırmak için üretken karşıt ağlar (GAN’ler) kullandılar. Elde edilen verilerle, bina görüntü maskeleri için doğru veri setlerini otomatik olarak oluşturabildiler. 

Araştırma Advanced Engineering Informatics‘te yayınlandı. 

Ekibin, veri kalitesini iyileştirmek için iki yapay zeka (AI) ağını birbirine karşı kullanması ve daha önce etiketlenmiş görüntülere gerek duyulmaması gerekiyordu. Ekibe göre, bu yeni gelişmeler, bilgisayar görüşü teknolojisinin önemli olduğu inşaat mühendisliği gibi alanlarda kullanılabilir.

Görüntüleri Onarmak için Makine Öğrenimi

Makine öğrenimi, genellikle bulutlar tarafından gizlenmiş bina görüntüleri gibi gizlenmiş görüntüleri onarmak için kullanılır. Bu görev manuel olarak yapılabilir, ancak zaman alıcıdır ve makine öğrenimi algoritmaları kadar etkili değildir. Mevcut algoritmalar bile büyük bir eğitim görüntüsü kümesi gerektirir, bu nedenle teknolojiyi ilerletmek çok önemlidir.

Osaka Üniversitesi’ndeki araştırmacılar, üretken karşıt ağları uyguladıklarında bunu yaptılar. Bir ağ, “üretken ağ” ve bulutlar olmadan yeniden oluşturulmuş görüntüleri önerir. Bu ağ, bir “ayırıcı ağ” ile karşı karşıya gelir, bu da convolutional sinir ağı kullanarak bulutlar olmadan gerçek görüntüler ile dijital olarak onarılmış resimler arasında ayrım yapar.

Ağlar bu süreci ilerlettikçe, her ikisi de giderek daha iyi hale gelir, bu da bulutların dijital olarak silindiği çok gerçekçi görüntüler oluşturmalarına olanak tanır. 

Kazunosuke Ikeno makalenin ilk yazarıdır. 

“Üretken ağı, görüntünün gerçek olduğu konusunda ayırıcı ağı ‘kandırmaya’ eğittiğimizde, daha kendi içinde tutarlı yeniden oluşturulmuş görüntüler elde ederiz” diyor Ikeno. 

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

Sistemi Eğitmek

Ekibin, 3D sanal modeller ve bir açık kaynaklı veri setinden fotoğraflar ile girdi olarak kullanıldı ve bu, sistemin yeniden oluşturulmuş binaları bulutların üzerine otomatik olarak dijital “maskeler” oluşturmasına olanak tanıdı. 

Tomohiro Fukuda araştırmanın kıdemli yazarıdır.

“Bu yöntem, etiketli eğitim verisi olmayan alanlarda binaları tespit etmeyi mümkün kılar” diyor Fukuda.

Eğitilmiş model, “kesişim üzerinde birleşme” değeri 0,651 ile binaları tespit edebildi. Bu değer, yeniden oluşturulan alanın gerçek alana ne kadar karşılık geldiğinin ölçümüdür. 

Ekibe göre, bu yöntem, gizlenmiş görüntüleri içeren diğer veri setlerinin kalitesini iyileştirebilir, sadece genişletilmesi gerekir. Bu, tıbbi görüntülemeyi iyileştirmek için kullanılabileceği gibi sağlık gibi çeşitli alanlarda kullanılabilir.