211service.com
Gitt et satellittbilde skaper maskinlæring utsikten på bakken
Leonardo da Vinci skapte berømt tegninger og malerier som viste et fugleperspektiv av visse områder av Italia med et detaljnivå som ellers ikke var mulig før oppfinnelsen av fotografi og flygende maskiner. Faktisk har mange kritikere lurt på hvordan han kunne ha forestilt seg disse detaljene. Men nå jobber forskere med det omvendte problemet: gitt et satellittbilde av jordens overflate, hvordan ser dette området ut fra bakken? Hvor tydelig kan et så kunstig bilde være?
I dag får vi svar takket være arbeidet til Xueqing Deng og kolleger ved University of California, Merced. Disse gutta har trent en maskinlæringsalgoritme for å lage bilder på bakkenivå ved å se på satellittbilder ovenfra.
Teknikken er basert på en form for maskinintelligens kjent som et generativt motstridende nettverk. Dette består av to nevrale nettverk kalt en generator og en diskriminator.
Generatoren lager bilder som diskriminatoren vurderer mot noen innlærte kriterier, for eksempel hvor mye de ligner sjiraffer. Ved å bruke utgangen fra diskriminatoren, lærer generatoren gradvis å produsere bilder som ser ut som sjiraffer.
I dette tilfellet trente Deng og co diskriminatoren ved å bruke ekte bilder av bakken så vel som satellittbilder av det stedet. Så den lærer hvordan den knytter et bilde på bakkenivå til dets oversikt.
Selvfølgelig er kvaliteten på datasettet viktig. Teamet bruker som grunnsannhet LCM2015 bakkedekkekart, som gir landklassen med en oppløsning på én kilometer for hele Storbritannia. Imidlertid begrenser teamet dataene til et 71x71 kilometer rutenett som inkluderer London og det omkringliggende landskapet. For hver plassering i dette rutenettet lastet de ned en bakkenivåvisning fra en online database kalt Geograph.
Teamet trente deretter diskriminatoren med 16 000 par overhead- og bakkenivåbilder.
Neste trinn var å begynne å generere bilder på bakkenivå. Generatoren ble matet med et sett med 4000 satellittbilder av spesifikke steder og måtte lage bakkenivåvisninger for hver, ved å bruke tilbakemeldinger fra diskriminatoren. Teamet testet systemet med 4000 overheadbilder og sammenlignet dem med sannhetsbildene.
Resultatene gir interessant lesning. Nettverket produserer bilder som er plausible gitt overheadbildet, hvis kvaliteten er relativt lav. De genererte bildene fanger opp grunnleggende kvaliteter ved bakken, for eksempel om den viser en vei, om landet er landlig eller urbant, og så videre. De genererte bildene på bakkenivå så naturlige ut, selv om de som forventet manglet detaljene til ekte bilder, sier Deng og co.
Det er et pent triks, men hvor nyttig er det? En viktig oppgave for geografer er å klassifisere land etter bruk, for eksempel om det er landlig eller urbant.
Bilder på bakkenivå er avgjørende for dette. Imidlertid har eksisterende databaser en tendens til å være sparsomme, spesielt på landlige steder, så geografer må interpolere mellom bildene, en prosess som er lite bedre enn å gjette.
Nå gir Deng og cos generative motstandsnettverk en helt ny måte å bestemme arealbruk på. Når geografer ønsker å vite bakkenivåvisningen hvor som helst, kan de ganske enkelt lage visningen med det nevrale nettverket basert på et satellittbilde.
Deng og co sammenligner til og med de to metodene – interpolering versus bildegenerering. Den nye teknikken viser seg å bestemme arealbruken riktig 73 prosent av tiden, mens interpolasjonsmetoden er riktig i bare 65 prosent av tilfellene.
Det er interessant arbeid som kan gjøre livet til geografer enklere. Men Deng og co har større ambisjoner. De håper å forbedre bildegenereringsprosessen slik at den i fremtiden vil produsere enda flere detaljer i bildene på bakkenivå. Leonardo da Vinci ville sikkert blitt imponert.
Ref: https://arxiv.org/abs/1806.05129 : Hvordan er det der nede? Generer tett bakkenivå og bildefunksjoner fra overheadbilder ved å bruke betingede generative motstandsnettverk