GPUs NVIDIA ajudam pesquisadores a remover nuvens de imagens de satélite

GPUs NVIDIA ajudam pesquisadores a remover nuvens de imagens de satélite 1

Imagens de satélite podem ser uma ferramenta fantástica de engenharia civil, pelo menos quando as nuvens não atrapalham. Agora, pesquisadores da Universidade de Osaka mostraram como usar o aprendizado profundo acelerado por GPU para remover essas nuvens. Cientistas da Divisão de Energia Sustentável e Engenharia Ambiental da Universidade usaram uma “rede geradora adversária” ou GAN.

“Ao treinar a rede generativa para ‘enganar’ a rede discriminadora, fazendo-a pensar que uma imagem é real, obtemos imagens reconstruídas que são mais autoconsistentes”, disse o primeiro autor Kazunosuke Ikeno em um comunicado.

Criado em 2014 por Ian Goodfellow, então estudante de doutorado na Universidade de Montreal, os GANs são baseados em um par de redes concorrentes para criar imagens realistas. Essas redes competitivas permitem que os desenvolvedores treinem IAs com menos dados.

As imagens da nuvem podem ser removidas manualmente, mas isso leva muito tempo. As técnicas de aprendizado de máquina, por outro lado, requerem um grande número de imagens de treinamento para funcionar, o que nem sempre é prático.

Então, pesquisadores da Universidade de Osaka se voltaram para GANs, que são baseados em dois algoritmos. A primeira, conhecida como “rede gerativa”, reconstrói as imagens sem nuvens. A segunda, uma “rede discriminativa”, usa uma rede neural convolucional para escolher as imagens criadas pela primeira rede e as fotos reais.

As duas redes concorrentes se aprimoram sem a necessidade de tantos dados: o resultado são imagens muito realistas sem nuvens. Usar os dados resultantes como texturas para modelos 3D permite que conjuntos de dados mais precisos de máscaras de imagens de construção sejam gerados automaticamente. Usando imagens de 400 por 400 pixels, os pesquisadores treinaram os modelos em um PC com o sistema operativo Ubuntu de código aberto e uma GPU GeForce GTX 1060.

“Este método permite que edifícios sejam detectados em áreas sem dados de treinamento rotulados”, disse o autor principal, Tomohiro Fukuda, em um comunicado. No futuro, os pesquisadores poderão usar a técnica para detectar outros objetos, como estradas e rios, em fotografias aéreas.

Leia o artigo completo aqui: https://www.sciencedirect.com/science/article/pii/S1474034621001336?via%3Dihub