1705421854
2024-01-16 16:09:01
この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
査読済みの出版物
信頼できる情報源
校正する
わかりました！ 土地被覆源タスクで事前トレーニングされ、さまざまな下流タスクに展開された深層学習モデルとしての METEOR の概要。 タスク データは、機械学習モデルを最適化できる形式で新しい問題を記述します。 (b) に示す METEOR では、(a) に示す土地被覆分類ソース タスクを解決するために、ランダムに初期化されたメタモデルがモデルに依存しないメタ学習 (MAML) で事前トレーニングされます。 MAML は、少数のラベル付き画像を使用してさまざまなタスクから学習することを明示的に学習した深いメタモデルを生成します。 各事前トレーニング タスクでは、モデルは同じ地理的領域の衛星画像を使用して、ランダムに選択された 1 つの土地被覆タイプを他の土地被覆タイプと区別する必要があります。 事前トレーニングされたメタモデルは、少数のラベル付き画像を使用して (c) に示すさまざまな下流の問題に合わせて微調整でき、問題固有のタスク モデルが得られます。 クレジット: Communications Earth & Environmental (2024)。 DOI: 10.1038/s43247-023-01146-0
×閉じる
土地被覆源タスクで事前トレーニングされ、さまざまな下流タスクに展開された深層学習モデルとしての METEOR の概要。 タスク データは、機械学習モデルを最適化できる形式で新しい問題を記述します。 (b) に示す METEOR では、(a) に示す土地被覆分類ソース タスクを解決するために、ランダムに初期化されたメタモデルがモデルに依存しないメタ学習 (MAML) で事前トレーニングされます。 MAML は、少数のラベル付き画像を使用してさまざまなタスクから学習することを明示的に学習した深いメタモデルを生成します。 各事前トレーニング タスクでは、モデルは同じ地理的領域の衛星画像を使用して、ランダムに選択された 1 つの土地被覆タイプを他の土地被覆タイプと区別する必要があります。 事前トレーニングされたメタモデルは、少数のラベル付き画像を使用して (c) に示すさまざまな下流の問題に合わせて微調整でき、問題固有のタスク モデルが得られます。 クレジット: Communications Earth & Environmental (2024)。 DOI: 10.1038/s43247-023-01146-0
新しい AI プログラムは、わずか数枚の画像を使用してニューラル ネットワークをトレーニングし、海洋ゴミ、森林伐採地帯、都市部などの新しいオブジェクトを衛星やドローンのデータで迅速に特徴付けることができます。
ドローンや衛星によって撮影された画像は、科学者に豊富な情報を与えます。 これらのスナップショットは、動物の数、植生、海面に浮かぶ破片、氷河の被覆など、地球の表面で起こっている変化についての重要な洞察を提供します。
さらに、専門家はニューラル ネットワークをトレーニングして、画像を目まぐるしい速度で分類し、個々のオブジェクトを特定して分類することができます。 「しかし、現在利用可能な AI プログラムはどれも、瓦礫から木や建物へといったように、ある種類の物体の認識から別の種類の物体の認識にすぐに切り替えることはできません」と EPFL の環境計算科学および地球観測研究所の所長であるデビス トゥイア教授は言います。
「現在、プログラマは、新しいオブジェクト タイプごとに、膨大なフィールド データを入力してアルゴリズムをトレーニングする必要があります。」 それが、トゥイア氏と彼の同僚が、ワーゲニンゲン大学 (ニュージャージー州)、マサチューセッツ工科大学、イェール大学、ユーリッヒ研究センター (D) の科学者らと協力して、METEOR によって変革を試みたものです。METEOR は、新しい物体を認識するアルゴリズムを訓練できるカメレオン アプリケーションです。ほんの一握りの画像を示しました。
彼らの研究は、 出版された ジャーナル「コミュニケーション地球と環境」に掲載されました。
画像の分類に関しては、人間が達成するには何時間もかかることを、ニューラル ネットワークは瞬く間に実行できます。 これらのネットワークは、手動で注釈が付けられたデータに基づいてトレーニングされます。つまり、ネットワークに供給されるデータが増えるほど、 ニューラルネットワーク、結果はより正確になります。 たとえば、木や建物は、それらが見つかった地域によって大きく異なって見えることがあります。 通信網のアルゴリズムがこれらのオブジェクトを確実に認識できるようにするには、さまざまな条件下で撮影されたこれらのオブジェクトのさまざまな画像を表示する必要があります。
「問題は 環境科学 それは、研究のニーズに合わせて AI プログラムをトレーニングするのに十分な大きさのデータセットを入手するのが不可能な場合が多いということです」と、以前は EPFL の博士研究員で、現在はオランダのヴァーヘニンゲン大学で助教授を務めるマーク・ルースヴルム氏は言います。在来樹種の絶滅など、特定の地域に特有の現象を研究したり、海洋ゴミのように統計的に数は少ないが広く分散した物体を特定したい場合などです。」
空中および空中でニューラル ネットワークをトレーニングする際のもう 1 つの課題 衛星画像 これは、可能な幅広い画像解像度とスペクトル帯域、および使用されるデバイスの種類 (ドローンや衛星など) に関係します。 この問題を回避するために、METEOR は適応性があり、メタ学習ができるように設計されています。基本的に、以前に他のコンテキストで正常に解決されたタスクに基づいてショートカットを実行します。
「私たちは、これを可能にするアルゴリズムと手法を開発しました。 ニューラルネットワーク 「以前の展開の結果を一般化し、その適応戦略を新しい状況に適用するためです」と Rußwurm 氏は言います。彼らの斬新なアプローチのおかげで、METEOR は十分に信頼できる結果を提供するために、オブジェクトの良好な画像を 4 ～ 5 枚だけ必要とします。
アプリケーションをテストするために、開発者らは、異なる地域の画像に基づいて世界中のさまざまなタイプの土地占有を分類するように訓練されたニューラル ネットワークを変更しました。 彼らは、オーストラリアの植生被覆率の測定、ブラジルの熱帯林の森林伐採地帯の特定、2020年の爆発後のベイルートの変化の正確な特定、海の瓦礫の発見、分類という5つの認識タスクを実行できるようにしました。 都市部 さまざまなタイプの土地利用 (工業地区、商業地区、高密度、中密度、低密度の住宅地区) に分けて分析します。毎回、問題に応じて少数の高解像度のドローン画像と RGB 衛星画像を使用します。
「これらのタスクについて、小規模なデータセットのみを使用して METEOR で適応させた場合、結果は、より多くのデータを使用して長期間トレーニングされた AI プログラムの結果と同等であることがわかりました」と Rußwurm 氏は言います。
研究者らは今後、基本的なAIをさまざまなタスクで訓練し、そのカメレオンの力をさらに完成させる予定だ。 これにより、無数の認識タスクにさらに簡単に適応できるようになります。 また、彼らは自分たちのアプリケーションを ユーザーインターフェース 人間のユーザーは、ニューラル ネットワーク プログラムによって提案された高品質の画像をクリックできるようになります。
「プログラムでは数枚の画像しか表示されないため、それらの画像の関連性が非常に重要です」と Rußwurm 氏は言います。
詳しくは：
Marc Rußwurm 他、解像度を超えた多様な地球観測問題に対処するためのメタ学習、Communications Earth & Environmental (2024)。 DOI: 10.1038/s43247-023-01146-0
雑誌情報:
コミュニケーション 地球と環境
#Chameleon #プログラムは衛星画像内の物体をより迅速に分類します