6 سپتامبر 2021 توسط دانشگاه اوساکا اعتبار: Pixabay/CC0 دامنه عمومی
دانشمندان بخش انرژی پایدار و مهندسی محیط زیست در دانشگاه اوساکا از شبکه‌های متقابل تولیدی آموزش داده شده بر روی مجموعه داده سفارشی استفاده کردند تا عملاً موانع ایجاد شده در نمای ساختمان‌ها را برطرف کنند. این کار ممکن است به برنامه ریزی شهری و همچنین برنامه‌های کاربردی بینایی رایانه کمک کند.
توانایی پاک کردن دیجیتالی اجسام ناخواسته از منظره شهر بسیار مفید است، اما به قدرت محاسباتی زیادی نیاز دارد. روش‌های قبلی از مجموعه داده‌های استاندارد تصویر برای آموزش الگوریتم‌های یادگیری ماشینی استفاده می‌کرد. اکنون، تیمی از محققان در دانشگاه اوساکا یک مجموعه داده سفارشی را به عنوان بخشی از چارچوبی کلی برای حذف خودکار اشیاء ناخواسته مانند عابران پیاده، پوشش گیاهی یا اتومبیل از تصویری از نمای ساختمان ساخته‌اند. ناحیه حذف شده با استفاده از رنگ آمیزی دیجیتالی جایگزین شد تا نمای کامل را به طور موثر بازگرداند.
محققان از داده‌های منطقه کانسای ژاپن در نمای خیابان باز استفاده کردند، برخلاف مجموعه تصویرهای معمول ساختمان که اغلب در یادگیری ماشینی برای مناظر شهری استفاده می‌شود. سپس آن‌ها یک مجموعه داده برای آموزش یک شبکه مولد مخالف (GAN) برای ترسیم مناطق مسدود شده با دقت بالا ایجاد کردند. جیاکسین ژانگ، توضیح می‌دهد: «برای وظیفه رنگ آمیزی نما در صحنه‌های سطح خیابان، ما با آموزش با مجموعه داده‌های سفارشی خود، یک مدل تصویربرداری عمیق مبتنی بر یادگیری عمیق را اتخاذ کردیم.»
این تیم از بخش بندی معنایی برای تشخیص انواع مختلفی از اشیاء، از جمله عابران پیاده، پوشش گیاهی و اتومبیل و همچنین استفاده از GAN برای پر کردن مناطق شناسایی شده با بافت پس زمینه و وصل اطلاعات از تصاویر سطح خیابان استفاده کرد. آن‌ها همچنین یک جریان کاری برای فیلتر کردن خودکار نمای ساختمان از تصاویر نمای خیابان پیشنهاد کردند و مجموعه داده‌ها را شامل تصاویر اصلی و پوشش شده برای آموزش الگوریتم‌های اضافی یادگیری ماشینی شد.
این فناوری تجسم یک ابزار ارتباطی برای متخصصان و غیر متخصصان ارائه می‌دهد، که می‌تواند به ایجاد اجماع در مورد طراحی‌های محیطی شهری آینده کمک کند. توموهیرو فوکودا، نویسنده ارشد توضیح می‌دهد: «سیستم ما در مقایسه با روش‌های قبلی که در پروژه‌های منظر شهری که اطلاعات پیشین در آن‌ها در دسترس نبود، کارآمدتر بود.» در آینده، این رویکرد ممکن است برای کمک به طراحی سیستم‌های واقعیت افزوده مورد استفاده قرار گیرد که می‌تواند به طور خودکار ساختمان‌های موجود را حذف کرده و در عوض بازسازی‌های پیشنهادی را نشان دهد.
این تحقیق در IEEE Access منتشر شده است.
