ENGINEERINGNET.BE - Hoe meer gegevens een neuraal netwerk ter beschikking heeft, hoe nauwkeuriger de uitkomsten zijn. Bomen en gebouwen kunnen er in verschillende regio’s bijvoorbeeld heel anders uitzien.
Voor betrouwbare herkenning moeten de algoritmen van een neuraal netwerk dus beschikken over veel verschillende beelden van objecten, en onder diverse omstandigheden.
“Het probleem bij omgevingswetenschappen is dat het vaak niet mogelijk is om een dataset te verkrijgen die groot genoeg is om AI-programma's te trainen voor onderzoek,” zegt Marc Rußwurm van Wageningen University & Research.
“Vooral niet bij het bestuderen van verschijnselen die specifiek voorkomen in een bepaalde regio, zoals het uitsterven van een inheemse boomsoort. Of bij objecten die statistisch gezien klein zijn in aantal, maar die zich verspreid over een groot gebied bevinden, zoals afval in de oceanen.”
Een andere uitdaging bij het trainen van neurale netwerken op basis van drone- en satellietbeelden heeft te maken met het brede scala aan beeldresoluties en kleurenspectra, en het type apparaat dat wordt gebruikt.
Vandaar dat een internationaal onderzoeksteam een applicatie ontwikkelde die algoritmes trainen om nieuwe objecten te herkennen na invoer van maar een paar beelden. Partners: Wageningen University & Research, EPFL, Massachusetts Institute of Technology, Yale University en Jülich Research Center.
“We hebben algoritmen en methoden ontwikkeld waarmee neurale netwerken de resultaten van eerder uitgevoerde opdrachten kunnen generaliseren,” legt Rußwurm uit. “Diezelfde strategie kunnen ze dan gebruiken bij nieuwe situaties.”
Dankzij deze methode heeft de nieuwe tool, genaamd METEOR, maar vier of vijf goede beelden nodig om met resultaten te komen die betrouwbaar genoeg zijn.
Om de applicatie te testen, pasten de onderzoekers een bestaand neuraal netwerk aan. Dat was getraind om verschillende soorten landgebruik te classificeren op basis van beelden uit verschillende regio's.
Het netwerk werd aangepast om vijf taken uit te voeren: het meten van het oppervlak aan vegetatie in Australië, het identificeren van ontbossingzones in het Braziliaanse regenwoud, het lokaliseren van veranderingen in Beiroet na de explosie in 2020, het opsporen van afval in oceanen, en het herkennen van verschillende typen stedelijk gebied.
Voor elke situatie werd een klein aantal dronebeelden met hoge resolutie en RGB-satellietbeelden gebruikt. “De resultaten van METEOR waren vergelijkbaar met die van AI-programma's die langer en met meer data waren getraind,” zegt Rußwurm.
De onderzoekers gaan het AI-systeem nu trainen op een groot aantal taken om het verder te perfectioneren. Op die manier is het systeem nog makkelijker aan te passen aan talloze herkenningstaken.
