Bringing Deep Learning for Geospatial Applications to Life

Машинное обучение уже давно широко используется в работе с геопространственными данными. Алгоритмы кластеризации K-Means или ISODATA были одним из первых подходов к обработке и классификации спутниковых изображений. В последние годы начали использоваться такие методы как байесовские сети, classification and regression trees (CART), support vector machines (SVM) и random forrest. Обработка данных может быть интенсивным и сложным процессом, но при этом каждый раз как будто приходится изобретать велосипед.

Машинное обучение — это подмножество искусственного интеллекта, которое использует статистические методы, позволяющие системам изучать и адаптировать свои процессы без явного программирования. Обычно это включает использование алгоритмов обучения и контрольных данных, чтобы «научить» систему решать задачи. Глубокое обучение — это, по сути, последнее воплощение машинного обучения с использованием глубоких нейронных сетей. По сравнению с традиционным алгоритмом машинного обучения он намного быстрее, гибче и способен сохранять и накапливать машинный интеллект.

Исследования в области глубокого обучения привели к распространению API-интерфейсов с открытым исходным кодом, таких как TensorFlow от Google и CNTK от Microsoft, которые позволяют использовать инвестиции в исследования конкурирующих отраслевых гигантов для обработки изображений в самых разных областях.

Многие геопространственные задачи, такие как автоматическое извлечение объектов, оказались сложными для машинного обучения, поскольку характеристики объектов сильно различаются от места к месту. Детерминированный алгоритм, который хорошо работает в одном регионе, вполне может потерпеть неудачу в другом. Например, ему может быть легко определить крыши в наборе по одной стране, но абсолютно невозможно по другой из-за разных подходов к застройке. Поскольку он всегда обучается, алгоритм глубокого обучения может преодолеть такие ограничения и научиться распознавать крыши по всем регионам.

Некоторые приложения могут использовать как алгоритмы глубокого обучения, так и взаимодействие с пользователем для итеративного наращивания интеллекта машины. Например, современные решения для обработки изображений предлагают метод, где изображение разбивается на сетки, которые затем индивидуально оцениваются алгоритмом глубокого обучения на предмет вероятности существования признаков искомых объектов. После достаточного обучения алгоритм глубокого обучения может работать автономно, начиная с каждого приема нового набора данных. Он может автоматически анализировать данные и привлекать геопространственного аналитика только тогда, когда данные требуют этого.

Сообщество исследователей и разработчиков искусственного интеллекта добилось беспрецедентного прогресса в машинном и глубоком обучении за последние два десятилетия и нет никаких признаков замедления. Многие геопространственные решения продолжают развиваться по мере того, как мы узнаем больше о глубоком обучении. Например, вместо простого ответа на вопрос «Да / Нет» — например, это самолет? — у последних воплощений есть способность идентифицировать, а затем точно определять его на изображении. Глубокое обучение может снять тяжелую и рутинную нагрузку с плеч человека, делая то, что компьютеры умеют лучше всего, и оставить профессиональное мастерство аналитику.

Источник: www.directionsmag.com

Комментарии: