Ņemot vērā satelītattēlu, mašīnmācīšanās rada skatu uz zemes

Leonardo da Vinči slaveni radīja zīmējumus un gleznas, kas rāda atsevišķu Itālijas apgabalu skatu no putna lidojuma ar tādu detalizācijas līmeni, kāds citādi nebija iespējams līdz brīdim, kad tika izgudrota fotogrāfija un lidošanas mašīnas. Patiešām, daudzi kritiķi ir domājuši, kā viņš varēja iedomāties šīs detaļas. Bet tagad pētnieki strādā pie apgrieztās problēmas: kā šis apgabals izskatās no zemes, ņemot vērā Zemes virsmas satelītattēlu? Cik skaidrs var būt šāds mākslīgs tēls?

Šodien mēs saņemam atbildi, pateicoties Xueqing Deng un kolēģu darbam Kalifornijas Universitātē Merced. Šie puiši ir apmācījuši mašīnmācības algoritmu, lai izveidotu zemes līmeņa attēlus, vienkārši skatoties uz satelīta attēliem no augšas.

Metode ir balstīta uz mašīnlūkošanas veidu, kas pazīstams kā ģeneratīvs pretinieku tīkls. Tas sastāv no diviem neironu tīkliem, ko sauc par ģeneratoru un diskriminatoru.

Ģenerators izveido attēlus, kurus diskriminētājs novērtē pēc dažiem apgūtiem kritērijiem, piemēram, cik ļoti tie līdzinās žirafēm. Izmantojot diskriminatora izvadi, ģenerators pakāpeniski iemācās radīt attēlus, kas izskatās pēc žirafēm.

Šajā gadījumā Dengs un kolēģi apmācīja diskriminētāju, izmantojot reālus zemes attēlus, kā arī šīs vietas satelītattēlus. Tātad tas iemācās saistīt zemes līmeņa attēlu ar augšējo skatu.

Protams, svarīga ir datu kopas kvalitāte. Komanda kā pamattiesību izmanto LCM2015 zemes seguma karti, kas parāda zemes klasi ar viena kilometra izšķirtspēju visā Apvienotajā Karalistē. Tomēr komanda ierobežo datus līdz 71 x 71 kilometra tīklam, kas ietver Londonu un apkārtējos laukus. Katrai atrašanās vietai šajā tīklā viņi lejupielādēja zemes līmeņa skatu no tiešsaistes datu bāzes ar nosaukumu Geograph.

Pēc tam komanda apmācīja diskriminatoru ar 16 000 pāriem virs galvas un zemes līmeņa attēlu.

Nākamais solis bija sākt ģenerēt zemes līmeņa attēlus. Ģeneratoram tika ievadīts 4000 konkrētu vietu satelītattēlu komplekts, un katram no tiem bija jāizveido zemes līmeņa skati, izmantojot atgriezenisko saiti no diskriminatora. Komanda pārbaudīja sistēmu ar 4000 augšējiem attēliem un salīdzināja tos ar zemes patiesības attēliem.

Rezultāti rada interesantu lasīšanu. Tīkls rada attēlus, kas ir ticami, ņemot vērā pieskaitāmo attēlu, ja tā kvalitāte ir salīdzinoši zema. Ģenerētajos attēlos ir fiksētas zemes pamatīpašības, piemēram, vai tas parāda ceļu, vai zeme ir lauku vai pilsētas teritorija utt. Ģenerētie zemes līmeņa attēli izskatījās dabiski, lai gan, kā gaidīts, tiem trūka reālu attēlu detaļas, piemēram, Dengs un citi.

Tas ir glīts triks, bet cik tas ir noderīgs? Viens svarīgs ģeogrāfu uzdevums ir klasificēt zemi pēc tās izmantošanas, piemēram, vai tā ir lauks vai pilsēta.

Šim nolūkam ir svarīgi zemes līmeņa attēli. Tomēr esošās datu bāzes mēdz būt mazas, it īpaši lauku apvidos, tāpēc ģeogrāfiem ir jāinterpolē attēli, kas ir nedaudz labāks par minēšanu.

Tagad Deng un co ģeneratīvie pretrunīgie tīkli nodrošina pilnīgi jaunu veidu, kā noteikt zemes izmantošanu. Ja ģeogrāfi vēlas uzzināt zemes līmeņa skatu jebkurā vietā, viņi var vienkārši izveidot skatu ar neironu tīklu, pamatojoties uz satelītattēlu.

Dengs un co pat salīdzina abas metodes — interpolāciju pret attēla ģenerēšanu. Izrādās, ka jaunā tehnika pareizi nosaka zemes izmantošanu 73 procentos gadījumu, savukārt interpolācijas metode ir pareiza tikai 65 procentos gadījumu.

Tas ir interesants darbs, kas varētu atvieglot ģeogrāfu dzīvi. Bet Dengam un citiem ir lielākas ambīcijas. Viņi cer uzlabot attēlu ģenerēšanas procesu, lai nākotnē tas radītu vēl vairāk detaļu zemes līmeņa attēlos. Leonardo da Vinči noteikti būtu pārsteigts.

Atsauce: https://arxiv.org/abs/1806.05129 : Kā tur lejā ir? Blīvu zemes līmeņa skatu un attēlu funkciju ģenerēšana no augšējiem attēliem, izmantojot nosacītus ģeneratīvos pretrunīgos tīklus

paslēpties