211service.com
Op basis van een satellietbeeld creëert machine learning het zicht op de grond
Leonardo da Vinci maakte beroemde tekeningen en schilderijen die een vogelperspectief van bepaalde delen van Italië lieten zien met een detailniveau dat anders niet mogelijk was tot de uitvinding van fotografie en vliegmachines. Veel critici hebben zich inderdaad afgevraagd hoe hij deze details had kunnen bedenken. Maar nu werken onderzoekers aan het omgekeerde probleem: gegeven een satellietbeeld van het aardoppervlak, hoe ziet dat gebied er vanaf de grond uit? Hoe duidelijk kan zo'n kunstmatig beeld zijn?
Vandaag krijgen we een antwoord dankzij het werk van Xueqing Deng en collega's van de University of California, Merced. Deze jongens hebben een machine learning-algoritme getraind om beelden op grondniveau te maken door simpelweg van bovenaf naar satellietbeelden te kijken.
De techniek is gebaseerd op een vorm van machine-intelligentie die bekend staat als een generatief adversarial netwerk. Dit bestaat uit twee neurale netwerken, een generator en een discriminator.
De generator maakt beelden die de discriminator beoordeelt aan de hand van een aantal geleerde criteria, zoals hoe sterk ze op giraffen lijken. Door de output van de discriminator te gebruiken, leert de generator geleidelijk afbeeldingen te produceren die op giraffen lijken.
In dit geval hebben Deng en co de discriminator getraind met behulp van echte beelden van de grond en satellietbeelden van die locatie. Zo leert hij een beeld op grondniveau te associëren met zijn bovenaanzicht.
Natuurlijk is de kwaliteit van de dataset belangrijk. Het team gebruikt als grondwaarheid de LCM2015-bodembedekkingskaart, die de klasse van het land met een resolutie van één kilometer voor het hele VK weergeeft. Het team beperkt de gegevens echter tot een raster van 71x71 kilometer dat Londen en het omliggende platteland omvat. Voor elke locatie in dit raster hebben ze een weergave op grondniveau gedownload van een online database genaamd Geograph.
Het team trainde vervolgens de discriminator met 16.000 paren boven- en grondbeelden.
De volgende stap was het genereren van beelden op grondniveau. De generator kreeg een set van 4.000 satellietbeelden van specifieke locaties en moest voor elk een weergave op grondniveau maken, met behulp van feedback van de discriminator. Het team testte het systeem met 4.000 overheadbeelden en vergeleek deze met de grondwaarheidsbeelden.
De resultaten zorgen voor interessante lectuur. Het netwerk produceert beelden die aannemelijk zijn gezien het overheadbeeld, zij het van relatief lage kwaliteit. De gegenereerde afbeeldingen leggen de basiskwaliteiten van de grond vast, zoals of het een weg toont, of het land landelijk of stedelijk is, enzovoort. De gegenereerde afbeeldingen op grondniveau zagen er natuurlijk uit, hoewel ze, zoals verwacht, de details van echte afbeeldingen misten, zeggen Deng en co.
Dat is een leuke truc, maar hoe nuttig is het? Een belangrijke taak voor geografen is het classificeren van land naar gebruik, bijvoorbeeld of het landelijk of stedelijk is.
Hiervoor zijn beelden op grondniveau onontbeerlijk. Bestaande databases zijn echter vaak schaars, vooral op het platteland, dus geografen moeten interpoleren tussen de afbeeldingen, een proces dat weinig beter is dan gissen.
Nu bieden de generatieve vijandige netwerken van Deng en co een geheel nieuwe manier om landgebruik te bepalen. Wanneer geografen op welke locatie dan ook het beeld vanaf de grond willen weten, kunnen ze dat beeld eenvoudig met het neurale netwerk maken op basis van een satellietbeeld.
Deng en co vergelijken zelfs de twee methoden: interpolatie versus beeldgeneratie. De nieuwe techniek blijkt het landgebruik in 73 procent van de gevallen correct te bepalen, terwijl de interpolatiemethode in slechts 65 procent van de gevallen correct is.
Dat is interessant werk dat het leven van geografen gemakkelijker zou kunnen maken. Maar Deng en co hebben grotere ambities. Ze hopen het proces voor het genereren van afbeeldingen te verbeteren, zodat het in de toekomst nog meer detail in de beelden op grondniveau zal opleveren. Leonardo da Vinci zou zeker onder de indruk zijn.
Referentie: https://arxiv.org/abs/1806.05129 : Hoe is het daar beneden? Het genereren van dichte weergaven op grondniveau en beeldkenmerken van bovengrondse beelden met behulp van voorwaardelijke generatieve vijandige netwerken