Google mappa gli edifici in Africa.

Redazione RHC : 2 Agosto 2021 09:33

Una registrazione accurata dell’impronta degli edifici è importante per una vasta gamma di applicazioni, dalla stima della popolazione e dalla pianificazione urbana alla risposta umanitaria e alle scienze ambientali.

Dopo un disastro, come un’inondazione o un terremoto, le autorità devono stimare quante famiglie sono state colpite. Idealmente ci sarebbero informazioni aggiornate sul censimento, ma in pratica tali registrazioni potrebbero essere obsolete o non disponibili. Invece, i dati sull’ubicazione e la densità degli edifici possono essere una preziosa fonte alternativa di informazioni.

Prompt Engineering & Sicurezza: diventa l’esperto che guida l’AI Vuoi dominare l’AI generativa e usarla in modo sicuro e professionale? Con il Corso Prompt Engineering: dalle basi alla cybersecurity, guidato da Luca Vinciguerra, data scientist ed esperto di sicurezza informatica, impari a creare prompt efficaci, ottimizzare i modelli linguistici e difenderti dai rischi legati all’intelligenza artificiale. Un percorso pratico e subito spendibile per distinguerti nel mondo del lavoro. Non restare indietro: investi oggi nelle tue competenze e porta il tuo profilo professionale a un nuovo livello. Guarda subito l'anteprima gratuita del corso su academy.redhotcyber.com Contattaci per ulteriori informazioni tramite WhatsApp al 375 593 1011 oppure scrivi a [email protected] Supporta RHC attraverso:   L'acquisto del fumetto sul Cybersecurity Awareness Ascoltando i nostri Podcast Seguendo RHC su WhatsApp Seguendo RHC su Telegram Scarica gratuitamente “Byte The Silence”, il fumetto sul Cyberbullismo di Red Hot Cyber Se ti piacciono le novità e gli articoli riportati su di Red Hot Cyber, iscriviti immediatamente alla newsletter settimanale per non perdere nessun articolo. La newsletter generalmente viene inviata ai nostri lettori ad inizio settimana, indicativamente di lunedì.

Un buon modo per raccogliere tali dati è attraverso le immagini satellitari, che possono mappare la distribuzione degli edifici in tutto il mondo, in particolare in aree isolate o di difficile accesso.

Tuttavia, rilevare edifici con metodi di visione artificiale in alcuni ambienti può essere un compito impegnativo. Poiché l’imaging satellitare consiste nel fotografare la terra da diverse centinaia di chilometri dal suolo, anche ad alta risoluzione (30-50 cm per pixel), un piccolo edificio o un rifugio in tenda occupa solo pochi pixel. Il compito è ancora più difficile per gli insediamenti informali, o le aree rurali dove gli edifici costruiti con materiali naturali possono fondersi visivamente con l’ambiente circostante.

Esistono anche molti tipi di elementi naturali e artificiali che possono essere facilmente confusi con gli edifici nelle immagini dall’alto.

Oggetti che possono confondere i modelli di visione artificiale per l’identificazione di edifici

Google ha addestrato il modello a rilevare gli edifici dal basso verso l’alto, prima classificando ogni pixel come edificio o non edificio, quindi raggruppando questi pixel in singole istanze. La pipeline di rilevamento si basava sul modello U-Net, comunemente utilizzato nell’analisi delle immagini satellitari.

Un vantaggio di U-Net è che è un’architettura relativamente compatta e quindi può essere applicata a grandi quantità di dati di imaging senza un pesante carico di calcolo. Questo è fondamentale, perché il compito finale di applicarlo alle immagini satellitari su scala continentale significa eseguire il modello su molti miliardi di tessere di immagini.

Esempio di segmentazione di edifici nelle immagini satellitari.

Gli esperimenti iniziali con il modello base avevano scarsa precisione, ad esempio a causa della varietà di elementi naturali e artificiali con aspetto simile a un edificio.

Abbiamo trovato una serie di metodi che hanno migliorato le prestazioni. Uno era l’uso del mixup come metodo di regolarizzazione, in cui le immagini di allenamento casuali vengono mescolate insieme prendendo una media ponderata.

Sebbene il mixup fosse stato originariamente proposto per la classificazione delle immagini, l’abbiamo modificato per essere utilizzato per la segmentazione semantica. La regolarizzazione è importante in generale per questo compito di segmentazione dell’edificio, perché anche con immagini di allenamento da 100k, i dati di allenamento non catturano la variazione completa del terreno, delle condizioni atmosferiche e di illuminazione con cui viene presentato il modello al momento del test, e quindi c’è un tendenza al sovradattamento.

Un altro metodo che abbiamo trovato efficace è stato l’uso dell’autoformazione senza supervisione. Abbiamo preparato una serie di 100 milioni di immagini satellitari da tutta l’Africa e le abbiamo filtrate in un sottoinsieme di 8,7 milioni di immagini che contenevano principalmente edifici.

Questo set di dati è stato utilizzato per l’autoapprendimento utilizzando il metodo Noisy Student , in cui l’output del miglior modello di rilevamento dell’edificio della fase precedente viene utilizzato come “insegnante” per poi formare un modello “studente” che effettua previsioni simili da immagini aumentate.

In pratica, abbiamo scoperto che questo riduceva i falsi positivi e migliorava l’output di rilevamento.

Fonte ed articolo completo

https://ai.googleblog.com/2021/07/mapping-africas-buildings-with.html

Redazione
La redazione di Red Hot Cyber è composta da un insieme di persone fisiche e fonti anonime che collaborano attivamente fornendo informazioni in anteprima e news sulla sicurezza informatica e sull'informatica in generale.

Lista degli articoli