Technologia Chameleon AI przyspiesza klasyfikację zdjęć satelitarnych

Zdjęcia wykonane przez drony i satelity dostarczają naukowcom ogromu informacji. Te migawki zapewniają kluczowy wgląd w zmiany zachodzące na powierzchni Ziemi, takie jak zmiany w populacjach zwierząt i roślin oraz śmieci unoszące się na powierzchni oceanu i pokrywy lodowej. Ponadto eksperci mogą trenować sieci neuronowe, aby niezwykle szybko sortowały obrazy oraz identyfikowały i klasyfikowały poszczególne obiekty. „Jednak żadne z obecnie dostępnych programów sztucznej inteligencji nie jest w stanie natychmiastowo przełączyć się z rozpoznawania jednego typu obiektu na inny, na przykład gruzu na drzewie lub budynku” – mówi profesor Davis Toya, kierownik Laboratorium Obliczeń Środowiskowych i Laboratorium Obserwacji Ziemi w EPFL. „Dzisiejsi programiści muszą szkolić algorytmy na każdym nowym typie obiektu, dostarczając im ogromne ilości danych terenowych”. Właśnie to Toya i jego współpracownicy, we współpracy z naukowcami z Uniwersytetu w Wageningen (Holandia), MIT, Yale i Jülich Research Center(D), postanowili zmienić za pomocą METEOR — aplikacji krok po kroku, która może uczyć algorytmy rozpoznawania nowe obiekty po ich dostrzeżeniu. Wyświetlanych jest tylko kilka zdjęć.

Opracowaliśmy algorytmy i metody, które umożliwiają sieciom neuronowym uogólnianie wyników poprzednich wdrożeń i zastosowanie tej strategii adaptacyjnej do nowych sytuacji

Wystarczy cztery lub pięć obrazów wysokiej jakości, aby przeszkolić system do nowego zadania

Jeśli chodzi o klasyfikację obrazów, sieci neuronowe są w stanie w mgnieniu oka dokonać tego, czego człowiekowi zajęłoby kilka godzin. Sieci te są uczone na danych, które zostały ręcznie opatrzone adnotacjami – im więcej danych wprowadza się do sieci neuronowej, tym dokładniejsze stają się jej wyniki. Na przykład drzewa i budynki mogą wyglądać zupełnie inaczej w zależności od obszaru, w którym się znajdują. Oznacza to, że algorytmy sieci neuronowych muszą przeglądać wiele różnych obrazów tych obiektów wykonanych w wielu różnych warunkach, aby móc je wiarygodnie zidentyfikować. „Problem w naukach o środowisku polega na tym, że często niemożliwe jest uzyskanie wystarczająco dużego zbioru danych, aby wyszkolić programy sztucznej inteligencji tak, aby spełniały nasze potrzeby badawcze” – mówi Mark Russwurm, wcześniej pracownik naukowy ze stopniem doktora w EPFL, a obecnie adiunkt na Uniwersytecie Wageningen w Holandii . „Jest to szczególnie prawdziwe, jeśli chcemy badać zjawiska specyficzne dla konkretnego regionu, takie jak wymieranie rodzimych gatunków drzew, lub jeśli chcemy zidentyfikować organizmy, które są statystycznie małe, ale szeroko rozpowszechnione, takie jak śmieci oceaniczne”.

Kolejnym wyzwaniem w szkoleniu sieci neuronowych na zdjęciach lotniczych i satelitarnych jest szeroki zakres możliwych rozdzielczości obrazu i zakresów widmowych oraz rodzaj wykorzystywanego urządzenia (tj. drony i satelity). Aby przezwyciężyć ten problem, METEOR zaprojektowano tak, aby był elastyczny i zdolny do metauczenia się – zasadniczo wymaga skrótów opartych na zadaniach, które zostały pomyślnie rozwiązane wcześniej, ale w innych kontekstach. „Opracowaliśmy algorytmy i metody, które umożliwiają sieciom neuronowym uogólnianie wyników poprzednich wdrożeń i zastosowanie tej strategii adaptacyjnej do nowych sytuacji” – mówi Russwurm. Dzięki nowemu podejściu METEOR potrzebuje jedynie czterech lub pięciu dobrych zdjęć obiektu, aby zapewnić wystarczająco wiarygodne wyniki.

Skorzystaj z różnic w dokładności

Aby przetestować swoją aplikację, programiści zmodyfikowali sieć neuronową, która została przeszkolona do klasyfikowania różnych typów użytkowania gruntów na całym świecie na podstawie zdjęć różnych regionów. Umożliwiły mu realizację pięciu zadań rozpoznawczych – pomiar roślinności w Australii, identyfikację obszarów wylesiania w lasach tropikalnych w Brazylii, identyfikację zmian w Bejrucie po eksplozji w 2020 r., identyfikację śmieci oceanicznych oraz klasyfikację obszarów miejskich ze względu na różne typy użytkowania gruntów ( strefy i obszary przemysłowe Obszary komercyjne, obszary mieszkalne o dużym, średnim i niskim zagęszczeniu) – za każdym razem, w zależności od problemu, wykorzystywana jest niewielka liczba zdjęć satelitarnych o wysokiej rozdzielczości z drona i RGB. „Odkryliśmy, że do tych zadań, gdy dostosowaliśmy METEOR przy użyciu jedynie małych zbiorów danych, nasze wyniki były podobne do wyników uzyskanych przez programy AI, które były szkolone przez dłuższe okresy i przy użyciu znacznie większej ilości danych” – mówi Russwurm. Naukowcy będą teraz szkolić podstawową sztuczną inteligencję w zakresie kilku zadań, aby mogła ulepszyć swoje możliwości bojowe. Umożliwi to łatwiejsze dostosowanie się do niezliczonych zadań rozpoznawania. Chcą także zintegrować swoją aplikację z interfejsem użytkownika, aby użytkownicy mogli klikać wysokiej jakości obrazy sugerowane przez oprogramowanie sieci neuronowej. „Ponieważ program wyświetli tylko kilka obrazów, znaczenie tych obrazów jest naprawdę ważne” – mówi Rußwurm.