Dada una imagen satelital, el aprendizaje automático crea la vista en el suelo

Leonardo da Vinci creó famosos dibujos y pinturas que mostraban una vista de pájaro de ciertas áreas de Italia con un nivel de detalle que no era posible hasta la invención de la fotografía y las máquinas voladoras. De hecho, muchos críticos se han preguntado cómo pudo haber imaginado estos detalles. Pero ahora los investigadores están trabajando en el problema inverso: dada una imagen satelital de la superficie de la Tierra, ¿cómo se ve esa área desde el suelo? ¿Qué tan clara puede ser una imagen tan artificial?

Hoy recibimos una respuesta gracias al trabajo de Xueqing Deng y colegas de la Universidad de California, Merced. Estos muchachos han entrenado un algoritmo de aprendizaje automático para crear imágenes a nivel del suelo simplemente mirando imágenes satelitales desde arriba.

La técnica se basa en una forma de inteligencia artificial conocida como red antagónica generativa. Este consta de dos redes neuronales llamadas generador y discriminador.

El generador crea imágenes que el discriminador evalúa en función de algunos criterios aprendidos, como cuánto se parecen a las jirafas. Al utilizar la salida del discriminador, el generador aprende gradualmente a producir imágenes que parecen jirafas.

En este caso, Deng y compañía entrenaron al discriminador utilizando imágenes reales del suelo e imágenes satelitales de esa ubicación. Entonces aprende a asociar una imagen a nivel del suelo con su vista aérea.

Por supuesto, la calidad del conjunto de datos es importante. El equipo utiliza como verdad sobre el terreno el mapa de cobertura del suelo LCM2015, que proporciona la clase de terreno con una resolución de un kilómetro para todo el Reino Unido. Sin embargo, el equipo limita los datos a una cuadrícula de 71x71 kilómetros que incluye Londres y el campo circundante. Para cada ubicación en esta cuadrícula, descargaron una vista a nivel del suelo de una base de datos en línea llamada Geograph.

Luego, el equipo entrenó al discriminador con 16,000 pares de imágenes aéreas y a nivel del suelo.

El siguiente paso fue comenzar a generar imágenes a nivel del suelo. El generador recibió un conjunto de 4.000 imágenes satelitales de ubicaciones específicas y tuvo que crear vistas a nivel del suelo para cada una, utilizando los comentarios del discriminador. El equipo probó el sistema con 4000 imágenes aéreas y las comparó con las imágenes reales del terreno.

Los resultados hacen una lectura interesante. La red produce imágenes que son plausibles dada la imagen aérea, aunque de calidad relativamente baja. Las imágenes generadas capturan las cualidades básicas del terreno, como si muestra un camino, si el terreno es rural o urbano, etc. Las imágenes a nivel del suelo generadas parecían naturales aunque, como era de esperar, carecían de los detalles de las imágenes reales, dicen Deng y compañía.

Ese es un buen truco, pero ¿qué tan útil es? Una tarea importante para los geógrafos es clasificar la tierra según su uso, como si es rural o urbana.

Las imágenes a nivel del suelo son esenciales para esto. Sin embargo, las bases de datos existentes tienden a ser escasas, especialmente en las zonas rurales, por lo que los geógrafos tienen que interpolar entre las imágenes, un proceso que es poco mejor que adivinar.

Ahora, las redes antagónicas generativas de Deng y compañía brindan una forma completamente nueva de determinar el uso de la tierra. Cuando los geógrafos desean conocer la vista a nivel del suelo en cualquier ubicación, simplemente pueden crear la vista con la red neuronal basada en una imagen de satélite.

Deng y compañía incluso comparan los dos métodos: interpolación versus generación de imágenes. La nueva técnica determina correctamente el uso de la tierra el 73 por ciento de las veces, mientras que el método de interpolación es correcto solo en el 65 por ciento de los casos.

Es un trabajo interesante que podría facilitar la vida de los geógrafos. Pero Deng y compañía tienen mayores ambiciones. Esperan mejorar el proceso de generación de imágenes para que en el futuro produzca aún más detalles en las imágenes a nivel del suelo. Leonardo da Vinci seguramente estaría impresionado.

Ref: https://arxiv.org/abs/1806.05129 : ¿Cómo es allá abajo? Generar vistas densas a nivel del suelo y características de imagen a partir de imágenes aéreas utilizando redes adversarias generativas condicionales

esconder