Моделі та платформи ШІ
Нейронні мережі допомагають видалити хмари з аерофотознімків
Додайте Unite.AI до бажаних джерел у Google
Дослідники та вчені з Відділу сталого енергетики та екологічної інженерії Осакського університету змогли цифровим способом видалити хмари з аерофотознімків, використовуючи генеративні суперницькі мережі (GAN). За допомогою отриманих даних вони змогли автоматично генерувати точні набори даних масок зображень будівель.
Дослідження було опубліковано в Advanced Engineering Informatics.
Команда поставила дві штучні інтелектуальні мережі одна проти одної, щоб покращити якість даних, і це не вимагало попередньо позначених зображень. За словами команди, ці нові розробки можуть бути використані в галузях, таких як цивільна інженерія, де важлива комп’ютерна візуалізація.
Машинне навчання для відновлення зображень
Машинне навчання часто використовується для відновлення пошкоджених зображень, таких як аерофотознімки будівель, заслонених хмарами. Це завдання можна виконувати вручну, але це тривале і не так ефективне, як алгоритми машинного навчання. Навіть ті алгоритми, які вже доступні, вимагають великого набору тренувальних зображень, тому важливо подальше вдосконалення технології.
Це саме те, що зробили дослідники Осакського університету, коли вони застосували генеративні суперницькі мережі. Одна мережа – “генеративна мережа”, і вона пропонує відновлені зображення без хмар. Ця мережа протиставляється “дискримінативній мережі”, яка використовує卷очну нейронну мережу для розрізнення між цифровими відновленими зображеннями та реальними зображеннями без хмар.
Як мережі проходять через цей процес, вони обидві стають дедалі краще, що дозволяє їм створювати надзвичайно реалістичні зображення з цифровим видаленням хмар.
Кадзуносуке Ікено є першим автором статті.
“Навчаючи генеративну мережу ‘обманювати’ дискримінативну мережу, щоб вона думала, що зображення реальне, ми отримуємо відновлені зображення, які є більш самосуперечливими”, – говорить Ікено.
Зображення: 2021 Казуносуке ІКЕНО та ін., Advanced Engineering Informatics
Навчання системи
Команда використала 3D-віртуальні моделі з фотографіями з відкритого джерела даних, і це було використано як вхідні дані. Це дозволило системі автоматично генерувати цифрові “маски”, які накладалися на відновлені будівлі над хмарами.
Томохіро Фукуда є старшим автором дослідження.
“Цей метод дозволяє виявляти будівлі в районах без позначених тренувальних даних”, – говорить Фукуда.
Навчена модель змогла виявити будівлі з значеннями “перетину над об’єднанням” 0,651. Це значення є мірою того, наскільки точно відновлена область відповідає фактичній області.
За словами команди, цей метод може покращити якість інших наборів даних з зображеннями, які заслонені, йому просто потрібно розширення. Це може включати зображення в різних галузях, таких як охорона здоров’я, де його можна використовувати для покращення медичної візуалізації.
