La tecnologia Chameleon AI accelera la classificazione delle immagini satellitari

Le immagini scattate da droni e satelliti forniscono agli scienziati una grande quantità di informazioni. Queste istantanee forniscono informazioni cruciali sui cambiamenti che si verificano sulla superficie terrestre, come nelle popolazioni animali e vegetali e nei detriti che galleggiano sulla superficie dell’oceano e sulla calotta glaciale. Inoltre, gli esperti possono addestrare le reti neurali a ordinare le immagini in modo incredibilmente rapido e a identificare e classificare i singoli oggetti. “Tuttavia, nessuno dei software di intelligenza artificiale attualmente disponibili può passare istantaneamente dal riconoscimento di un tipo di oggetto a un altro, come i detriti di un albero o di un edificio”, afferma il professor Davis Toya, capo del Laboratorio di scienza computazionale ambientale e osservazione della Terra dell'EPFL. “I programmatori di oggi devono addestrare algoritmi su ogni nuovo tipo di oggetto fornendo loro enormi quantità di dati sul campo”. Questo è ciò che Toya e i suoi colleghi, in collaborazione con scienziati dell'Università di Wageningen (Paesi Bassi), del MIT, di Yale e del Centro di ricerca Jülich (D), hanno deciso di cambiare con METEOR, un'applicazione passo passo in grado di addestrare gli algoritmi a riconoscere nuovi oggetti dopo che sono stati individuati. Vengono mostrate solo una manciata di immagini.

Abbiamo sviluppato algoritmi e metodi che consentono alle reti neurali di generalizzare i risultati delle implementazioni precedenti e di applicare questa strategia di adattamento a nuove situazioni

Tutto ciò che serve sono quattro o cinque immagini di alta qualità per riqualificare il sistema per una nuova attività

Quando si tratta di classificazione delle immagini, le reti neurali possono fare in un batter d’occhio ciò che agli esseri umani richiederebbe ore. Queste reti vengono addestrate su dati che sono stati annotati manualmente: più dati vengono immessi nella rete neurale, più accurati diventano i suoi risultati. Ad esempio, alberi ed edifici possono avere un aspetto completamente diverso a seconda dell'area in cui si trovano. Ciò significa che gli algoritmi delle reti neurali devono visualizzare molte immagini diverse di questi oggetti scattate in molte condizioni diverse per poterli riconoscere in modo affidabile. “Il problema nelle scienze ambientali è che spesso è impossibile ottenere un set di dati abbastanza grande da addestrare i programmi di intelligenza artificiale a soddisfare le nostre esigenze di ricerca”, afferma Mark Russwurm, ex ricercatore post-dottorato presso l’EPFL e oggi assistente professore presso l’Università di Wageningen nei Paesi Bassi. . “Ciò è particolarmente vero se vogliamo studiare fenomeni specifici di una particolare regione, come l’estinzione di specie arboree autoctone, o se vogliamo identificare organismi statisticamente piccoli ma diffusi, come i detriti oceanici”.

Un'altra sfida nell'addestramento delle reti neurali su immagini aeree e satellitari riguarda l'ampia gamma di possibili risoluzioni delle immagini e gamme spettrali, nonché il tipo di dispositivo utilizzato (ad esempio droni e satelliti). Per superare questo problema, METEOR è progettato per essere adattabile e capace di meta-apprendimento: richiede essenzialmente scorciatoie basate su compiti che sono stati risolti con successo in precedenza, ma in altri contesti. “Abbiamo sviluppato algoritmi e metodi che consentono alle reti neurali di generalizzare i risultati delle implementazioni precedenti e di applicare questa strategia di adattamento a nuove situazioni”, afferma Russwurm. Con il suo nuovo approccio, METEOR ha bisogno solo di quattro o cinque buone immagini di un oggetto per fornire risultati sufficientemente affidabili.

Sfrutta le differenze di precisione

Per testare la loro app, gli sviluppatori hanno modificato una rete neurale addestrata a classificare diversi tipi di occupazione del territorio in tutto il mondo sulla base di immagini di diverse regioni. Lo hanno reso in grado di svolgere cinque compiti di riconoscimento: misurare la vegetazione in Australia, identificare le aree di deforestazione nelle foreste tropicali in Brasile, identificare i cambiamenti a Beirut dopo l’esplosione del 2020, identificare i detriti oceanici e classificare le aree urbane in diversi tipi di usi del suolo ( zone e aree industriali Aree commerciali, residenziali ad alta, media e bassa densità) – ogni volta viene utilizzato un numero limitato di immagini satellitari RGB e droni ad alta risoluzione a seconda del problema. «Abbiamo scoperto che per questi compiti, quando abbiamo adattato METEOR utilizzando solo piccoli set di dati, i nostri risultati erano simili a quelli ottenuti da programmi di intelligenza artificiale addestrati per periodi più lunghi e con molti più dati», afferma Russwurm. I ricercatori ora addestreranno l’IA di base su diversi compiti, in modo che possa migliorare le sue capacità di guerra. Ciò gli consentirà di adattarsi più facilmente a innumerevoli compiti di riconoscimento. Vogliono inoltre integrare la loro app con un'interfaccia utente in modo che gli utenti possano fare clic sulle immagini di alta qualità suggerite dal software della rete neurale. “Poiché il programma mostrerà solo poche immagini, l'importanza di queste immagini è davvero importante”, afferma Rußwurm.