211service.com
Givet et satellitbillede, skaber maskinlæring udsigten på jorden
Leonardo da Vinci skabte berømt tegninger og malerier, der viste et fugleperspektiv af visse områder af Italien med et detaljeringsniveau, som ellers ikke var muligt, før fotografiet og flyvende maskiner blev opfundet. Faktisk har mange kritikere undret sig over, hvordan han kunne have forestillet sig disse detaljer. Men nu arbejder forskere på det omvendte problem: givet et satellitbillede af Jordens overflade, hvordan ser det område ud fra jorden? Hvor tydeligt kan sådan et kunstigt billede være?
I dag får vi et svar takket være arbejdet fra Xueqing Deng og kolleger ved University of California, Merced. Disse fyre har trænet en maskinlæringsalgoritme til at skabe billeder på jordniveau blot ved at se på satellitbilleder fra oven.
Teknikken er baseret på en form for maskinintelligens kendt som et generativt modstridende netværk. Dette består af to neurale netværk kaldet en generator og en diskriminator.
Generatoren skaber billeder, som diskriminatoren vurderer ud fra nogle tillærte kriterier, såsom hvor meget de ligner giraffer. Ved at bruge outputtet fra diskriminatoren lærer generatoren gradvist at producere billeder, der ligner giraffer.
I dette tilfælde trænede Deng og co diskriminatoren ved at bruge rigtige billeder af jorden samt satellitbilleder af det sted. Så det lærer, hvordan man forbinder et billede på jorden med dets overhead.
Kvaliteten af datasættet er naturligvis vigtig. Holdet bruger som grundsandhed LCM2015 bunddækkende kort, som giver jordklassen med en opløsning på én kilometer for hele Storbritannien. Holdet begrænser dog dataene til et 71x71-kilometer gitter, der inkluderer London og det omkringliggende landskab. For hver placering i dette gitter downloadede de en visning på jordoverfladen fra en online database kaldet Geograph.
Holdet trænede derefter diskriminatoren med 16.000 par overhead- og jordoverfladebilleder.
Det næste trin var at begynde at generere billeder på jordniveau. Generatoren blev fodret med et sæt på 4.000 satellitbilleder af specifikke steder og skulle skabe jordoverfladebilleder for hver ved hjælp af feedback fra diskriminatoren. Holdet testede systemet med 4.000 overheadbilleder og sammenlignede dem med sandhedsbillederne.
Resultaterne giver interessant læsning. Netværket producerer billeder, der er plausible givet overheadbilledet, hvis kvaliteten er relativt lav. De genererede billeder fanger jordens grundlæggende kvaliteter, såsom om det viser en vej, om landet er landligt eller bymæssigt, og så videre. De genererede billeder på jordoverfladen så naturlige ud, selvom de som forventet manglede detaljerne i rigtige billeder, siger Deng og co.
Det er et godt trick, men hvor nyttigt er det? En vigtig opgave for geografer er at klassificere jord efter dets anvendelse, såsom om det er land eller by.
Billeder i jordniveau er afgørende for dette. Imidlertid har eksisterende databaser en tendens til at være sparsomme, især i landdistrikter, så geografer er nødt til at interpolere mellem billederne, en proces, der er lidt bedre end at gætte.
Nu giver Deng og co's generative modstandsnetværk en helt ny måde at bestemme arealanvendelse på. Når geografer ønsker at kende visningen i jordniveau på et hvilket som helst sted, kan de blot oprette visningen med det neurale netværk baseret på et satellitbillede.
Deng og co sammenligner endda de to metoder - interpolation versus billedgenerering. Den nye teknik viser sig at bestemme arealanvendelsen korrekt 73 procent af tiden, mens interpolationsmetoden er korrekt i blot 65 procent af tilfældene.
Det er interessant arbejde, der kunne gøre geografers liv lettere. Men Deng og co har større ambitioner. De håber at forbedre billedgenereringsprocessen, så den i fremtiden vil producere endnu flere detaljer i billederne på jorden. Leonardo da Vinci ville helt sikkert blive imponeret.
Ref: https://arxiv.org/abs/1806.05129 : Hvordan er det dernede? Generering af tætte jordoverflader og billedfunktioner fra overheadbilleder ved hjælp af betingede generative modstridende netværk