211service.com
Ausgehend von einem Satellitenbild erstellt maschinelles Lernen die Sicht auf den Boden
Leonardo da Vinci schuf bekanntermaßen Zeichnungen und Gemälde, die bestimmte Gebiete Italiens aus der Vogelperspektive mit einer Detailgenauigkeit zeigten, die bis zur Erfindung der Fotografie und der Flugmaschinen sonst nicht möglich war. Tatsächlich haben sich viele Kritiker gefragt, wie er sich diese Details hätte vorstellen können. Aber jetzt arbeiten Forscher an dem umgekehrten Problem: Wie sieht dieses Gebiet angesichts eines Satellitenbildes der Erdoberfläche vom Boden aus aus? Wie klar darf so ein künstliches Bild sein?
Heute erhalten wir dank der Arbeit von Xueqing Deng und Kollegen an der University of California, Merced, eine Antwort. Diese Jungs haben einen maschinellen Lernalgorithmus trainiert, um bodennahe Bilder zu erstellen, indem sie einfach Satellitenbilder von oben betrachten.
Die Technik basiert auf einer Form der maschinellen Intelligenz, die als Generative Adversarial Network bekannt ist. Dieses besteht aus zwei neuronalen Netzen, die Generator und Diskriminator genannt werden.
Der Generator erstellt Bilder, die der Diskriminator anhand einiger erlernter Kriterien bewertet, z. B. wie sehr sie Giraffen ähneln. Durch die Verwendung der Ausgabe des Diskriminators lernt der Generator allmählich, Bilder zu erzeugen, die wie Giraffen aussehen.
In diesem Fall trainierten Deng und Co. den Diskriminator mit realen Bildern des Bodens sowie mit Satellitenbildern dieses Ortes. So lernt es, ein bodennahes Bild mit seiner Draufsicht zu assoziieren.
Natürlich ist die Qualität des Datensatzes wichtig. Das Team verwendet als Ground Truth die LCM2015-Bodenbedeckungskarte, die die Landklasse mit einer Auflösung von einem Kilometer für das gesamte Vereinigte Königreich angibt. Das Team beschränkt die Daten jedoch auf ein 71 x 71 Kilometer großes Raster, das London und die umliegende Landschaft umfasst. Für jeden Standort in diesem Raster luden sie eine Bodenansicht aus einer Online-Datenbank namens Geograph herunter.
Anschließend trainierte das Team den Diskriminator mit 16.000 Paaren von Overhead- und Bodenbildern.
Der nächste Schritt bestand darin, mit der Generierung von bodennahen Bildern zu beginnen. Der Generator wurde mit einem Satz von 4.000 Satellitenbildern bestimmter Orte gespeist und musste anhand des Feedbacks des Diskriminators für jeden bodennahe Ansichten erstellen. Das Team testete das System mit 4.000 Overhead-Bildern und verglich sie mit den Ground-Truth-Bildern.
Die Ergebnisse sorgen für eine interessante Lektüre. Das Netzwerk erzeugt Bilder, die angesichts des Overhead-Bildes plausibel sind, wenn auch in relativ niedriger Qualität. Die generierten Bilder erfassen grundlegende Eigenschaften des Bodens, z. B. ob er eine Straße zeigt, ob das Land ländlich oder städtisch ist und so weiter. Die erzeugten bodennahen Bilder sahen natürlich aus, obwohl ihnen erwartungsgemäß die Details echter Bilder fehlten, sagen Deng und Co.
Das ist ein netter Trick, aber wie nützlich ist er? Eine wichtige Aufgabe für Geographen ist es, Land nach seiner Nutzung zu klassifizieren, etwa ob es ländlich oder städtisch ist.
Dafür sind bodennahe Aufnahmen unerlässlich. Vorhandene Datenbanken sind jedoch in der Regel spärlich, insbesondere in ländlichen Gebieten, sodass Geographen zwischen den Bildern interpolieren müssen, ein Prozess, der kaum besser ist als zu raten.
Jetzt bieten die generativen kontradiktorischen Netzwerke von Deng und Co. eine völlig neue Möglichkeit, die Landnutzung zu bestimmen. Wenn Geografen die bodennahe Ansicht an einem beliebigen Ort wissen möchten, können sie die Ansicht einfach mit dem neuronalen Netzwerk basierend auf einem Satellitenbild erstellen.
Deng und Co. vergleichen sogar die beiden Methoden – Interpolation versus Bilderzeugung. Es stellt sich heraus, dass die neue Technik die Landnutzung in 73 Prozent der Fälle korrekt bestimmt, während die Interpolationsmethode nur in 65 Prozent der Fälle korrekt ist.
Das ist eine interessante Arbeit, die das Leben von Geographen erleichtern könnte. Aber Deng und Co. haben größere Ambitionen. Sie hoffen, den Prozess der Bilderzeugung so zu verbessern, dass er in Zukunft noch mehr Details in den bodennahen Bildern liefert. Leonardo da Vinci wäre sicherlich beeindruckt.
Ref: https://arxiv.org/abs/1806.05129 : Wie ist es da unten? Generieren von dichten Bodenansichten und Bildmerkmalen aus Overhead-Bildern unter Verwendung von bedingten generativen kontradiktorischen Netzwerken