211service.com
Deep Learning creëert aardachtig terrein door NASA-satellietbeelden te bestuderen
De landschappen in videogames en kunstmatige werelden kunnen op twee manieren worden gegenereerd. De eerste is om het terrein met de hand te maken en het te bevolken met de juiste kleuren en texturen zoals rotsen, gras, bomen, sneeuw enzovoort. Dit levert resultaten van hoge kwaliteit op, maar is duur vanwege de menselijke arbeid.
De tweede methode is om het landschap algoritmisch te genereren, een proces dat veel sneller en goedkoper is. Dit is hoe spelers in het spel Minecraft elke keer dat ze spelen een geheel nieuw landschap betreden.
De algoritmen achter dit proces zijn goed ontwikkeld en programmeurs hebben ze in de loop der jaren verfijnd om verschillende klimaten, texturen, hoogtevariaties enzovoort te produceren. Maar nieuwe landschapsgenererende algoritmen zijn zelf tijdrovend en duur om te schrijven. Dus een manier om hun creatie te automatiseren zou een belangrijke stap vooruit zijn.
Vandaag zeggen Christopher Beckham en Christopher Pal van het Montreal Institute of Learning Algorithms in Canada dat ze een deep-learningmachine hebben getraind om realistische landschappen te genereren met behulp van satellietbeelden van de aarde als trainingsset. In feite schrijft de machine zijn eigen algoritme. Het werk belooft de manier waarop kunstmatige landschappen on-the-fly kunnen worden gegenereerd aanzienlijk te veranderen.
Het systeem dat Beckham en Pal exploiteren, wordt een generatief vijandig netwerk genoemd. Het bestaat uit twee deep-learning machines die samenwerken om een probleem aan te pakken, in dit geval het genereren van realistisch terrein.
De eerste machine genereert nieuw terrein, terwijl de tweede de resultaten evalueert en feedback geeft. De eerste machine gebruikt deze feedback vervolgens om nog een set landschappen te produceren, die de tweede machine evalueert met feedback, enzovoort. Het idee is dat de tweede machine leert landschappen te produceren die overeenkomen met de feedback van de eerste machine.
Het is duidelijk dat een belangrijk onderdeel van dit proces de eerste machine leert hoe een ideaal landschap eruit zou moeten zien. Dit soort taken is eenvoudig geworden in machine learning wanneer er een grote database met afbeeldingen is om van te leren, bijvoorbeeld bij gezichtsherkenning of objectherkenning. Maar op deze manier is het nog niet gedaan voor het genereren van terreinen.
Het eerste doel van Beckham en Pal was dus om een database met afbeeldingen voor training te creëren.
Het blijkt dat precies dit soort gegevens beschikbaar zijn dankzij het Visible Earth-programma van NASA, dat een gedetailleerde kaart van onze thuisplaneet heeft gemaakt. Dit omvat gegevens over hoogte, vorm en kleur.
NASA's afbeeldingen zijn enorm: 21.600 pixels bij 10.800 pixels. Ze tonen de hele planeet, waarbij elke pixel een vierkante kilometer op het oppervlak vertegenwoordigt. Beckham en Pal nemen een willekeurig venster van 512 x 512 pixels en schuiven dit over de afbeeldingen om een grote database met afbeeldingsvoorbeelden voor training te creëren. Ze verwijderen alle afbeeldingen die grotendeels zwart zijn (d.w.z. die pure oceaan tonen), zodat de training niet te triviaal is. De texturen in de collectie kunnen overeenkomen met verschillende biomen zoals jungle, woestijn en arctic, zeggen ze.
Vervolgens gebruiken ze deze dataset om een deep-learning machine te trainen om realistische aardse terreinen van verschillende typen te herkennen. Vervolgens zetten ze een andere deep-learningmachine op om willekeurig 512x512-pixelafbeeldingen te genereren. Het stuurt deze kaarten naar de getrainde machine, die ze evalueert en feedback geeft.
In het begin zijn de gegenereerde landschappen natuurlijk een slechte weergave van het aardse terrein. Maar gedurende vele iteraties leert de machine landschappen te produceren die goede beoordelingen krijgen. En als het dit eenmaal heeft gedaan, kan het voortdurend nieuwe aardachtige terreinen genereren.
Maar de beelden zijn niet perfect. Ze kunnen artefacten uit het leerproces bevatten die niet overeenkomen met de kenmerken van de echte wereld. Deze zouden kunnen worden voorkomen met diepere leerconfiguraties of door de afbeeldingen te vervagen, zeggen de onderzoekers.
Er is duidelijk meer werk aan de winkel, maar het paar lijkt blij met dit resultaat. We hebben een redelijke eerste stap gezet in de richting van procedurele generatie van terrein op basis van gegevens uit de echte wereld, zeggen ze.
Dat is interessant werk met een breed scala aan andere toepassingen. Om te beginnen hoeft de trainingsdatabase niet op aarde te zijn. NASA heeft gedetailleerde afbeeldingen van de maan, Mars, Titan en verschillende andere plaatsen in het zonnestelsel die kunnen worden gebruikt om soortgelijke netwerken te trainen. Dus games zoals Minecraft kunnen gemakkelijk een duidelijk maan- of Marsgevoel krijgen met weinig menselijke inbreng.
En de trainingsdatabase hoeft niet eens terreingebonden te zijn. Je kunt je voorstellen dat hetzelfde schema wordt toegepast om 3D-mazen te synthetiseren die vervolgens worden getextureerd (bijvoorbeeld gezichten), aldus Beckham en Pal.
Dat is iets dat interessant kan zijn voor een breed scala aan gamemakers en anderen. Dit soort mogelijkheden dienen niet alleen om rijkere entertainmentervaringen te promoten, maar om ook nuttige hulpmiddelen te bieden om producenten van inhoud (bijvoorbeeld 3D-artiesten) bij hun werk te helpen, zeggen Beckham en Pal.
Referentie: arxiv.org/abs/1707.03383 : Een stap in de richting van procedureel terreingeneratie met GAN's