El grupo de investigación compuesto por el estudiante de posgrado Kazunosuke Ikeno, el profesor asociado Tomohiro Fukuda, el profesor Nobuyoshi Yabuki y otros de la División de Energía Sostenible e Ingeniería Ambiental de la Universidad de Osaka han desarrollado un método para generar automáticamente imágenes de máscaras de edificios utilizando redes generativas adversarias (GAN). . Estas imágenes se pueden utilizar para entrenar modelos de aprendizaje profundo utilizando un modelo tridimensional (3D) en el que se colocaron fotografías aéreas de nubes delgadas generadas por la GAN como textura.
En la planificación y construcción de ciudades, los investigadores utilizan información de fotografías aéreas para investigar aspectos como el uso general de la tierra y confirmar el alcance de los daños en caso de desastre. Además, los avances recientes en la tecnología de vehículos aéreos no tripulados han hecho posible adquirir una gran cantidad de fotografías aéreas de alta resolución en tiempo real. La tecnología de segmentación de imágenes que utiliza el aprendizaje profundo se utiliza para validar una cantidad tan grande de fotografías en poco tiempo. Sin embargo, para realizar esto, se requiere una cantidad significativa de datos de entrenamiento.
Los datos de entrenamiento comprenden un conjunto de imágenes de máscara que indican la imagen objetivo y la ubicación del objeto objetivo en una imagen determinada. Es necesario obtener una gran cantidad de datos de entrenamiento del objetivo con las mismas características que el objeto objetivo. Sin embargo, los datos de entrenamiento no están disponibles para áreas como ciudades locales y deben crearse manualmente. Esto significa que surge un cuello de botella debido al tiempo y al costo asociados con la creación de un nuevo conjunto de datos. El sistema prototipo desarrollado por el grupo de investigación crea modelos 3D a partir de fotografías aéreas colocadas como texturas en un motor de juego de propósito general. Además, estos modelos se clasifican y, al cambiar la clase mostrada, las imágenes de máscara y las fotografías aéreas, que son los datos de entrenamiento, se emiten desde la cámara virtual. Luego genera automáticamente un conjunto de datos de alta calidad al eliminar las nubes de las fotografías aéreas mediante GAN. El conjunto de datos generado por el sistema prototipo se entrenó mediante un modelo de aprendizaje profundo y se verificó la precisión de detección de edificios para la ciudad de Sakaiminato en la prefectura de Tottori.
Al usar este método, es posible detectar edificios con una mayor precisión a través del aprendizaje profundo, incluso en áreas donde los datos de entrenamiento no están disponibles actualmente. También será posible realizar estudios de uso de la tierra y confirmar el estado de los daños en caso de un desastre de manera más eficiente. Con un mayor avance del llamado gemelo digital (una tecnología que reproduce fielmente el mundo real en el mundo virtual en tiempo real utilizando información obtenida de varios sensores), el método propuesto podrá ser utilizado no solo para edificios en fotografías aéreas. , sino también para varios objetos. Se espera que este método facilite la generación automática de conjuntos de datos de entrenamiento para varios objetos, como carreteras y ríos, utilizando fotografías aéreas. También permitirá ver edificios desde imágenes de perspectiva humana en el futuro. Además, la máscara creada se puede utilizar como datos de entrenamiento para el aprendizaje profundo y también para la visualización, por ejemplo, para analizar una ciudad. Por lo tanto, se espera que el método propuesto haga una gran contribución al campo de la planificación y la construcción urbanas.
Según el profesor asociado Tomohiro Fukuda, “esta investigación es un campo interdisciplinario que abarca el diseño ambiental (ingeniería ambiental) y la informática (informática), y hemos trabajado con Kazunosuke Ikeno y el profesor Nobuyoshi Yabuki para resolver los problemas del mundo real del diseño ambiental. (tomando humanos, edificios y la naturaleza como una serie y diseñando varios eventos que los rodean). Hemos explorado múltiples campos especializados para comprender e implementar tecnologías de vanguardia relacionadas con modelos virtuales 3D y aprendizaje profundo para abordar las necesidades y problemas en la planificación urbana. y hemos intentado reunirlos como resultados de la investigación. Esperamos que los resultados de la investigación conduzcan a la transformación digital hacia la Sociedad 5.0, su implementación social e industrialización en los campos de la planificación urbana y la evaluación ambiental “.