Segmentace obrazu
Cílem výzkumu založeném na segmentaci obrazu bylo zhodnotit, jak se vyvíjela zastavěnost a osídlenost na vybraném území za stanovené časové období roků 2003–2018. Jednalo se o testovací projekt, u nějž byla použita náhodně vybraná území.
Úvod
Výzkum nemohl být prováděn v ideálních podmínkách; hlavní úskalí spočívalo především v nedostatku času, který jsme pro získání hledaného výsledku měli k dispozici. Z toho se odvíjel i nedostatek dat označených pro trénování testovaných modelů.
Obrázek č. 2: Území a jeho segmentační mapa
Architektura konvolučních sítí
Nejprve bylo vyzkoušeno několik již implementovaných architektur konvolučních neuronových sítí, které se pro segmentování v mapách běžně využívají. Testována byla například architektura U-net, vytvořená původně pro segmentaci biomedicínských dat, nebo architektura SSAI-CNN navržená přímo pro sémantickou segmentaci satelitních snímků. Velké naděje jsme vkládali především do nástroje RoboSat využívaného také pro extrakci charakteristických znaků ze satelitních a leteckých snímků. Všechny z použitých přístupů nicméně vyžadovaly vlastní dostatečně velkou trénovací sadu pro segmentaci konkrétních oblastí zájmu, která v našem případě nebyla k dispozici.
Klasifikace obrazu s TPOT
Jako nejlépe fungující se proto nakonec pro klasifikaci jednotlivých oblastí v obrazu ukázal velice jednoduše implementovatelný nástroj TPOT, který nevyžaduje příliš velkou učební množinu. Pro shromáždění dat potřebných k naučení klasifikátoru jsme využili mapový portál www.mapy.cz. Z něj byly získány vzory obrazů pro několik běžně se vyskytujících motivů v mapách, jako jsou například města, lesy, vodní plochy a další. Za pomoci nástroje TPOT byl vytvořen vhodný klasifikátor, vstupní obrazy byly rozděleny na překrývající se podoblasti o rozměrech definovaných vstupem klasifikátoru a prostřednictvím těchto podoblastí byl model následně natrénován.
Připravenému klasifikátoru byly následně předkládány sekvence obrazů z oblastí, ve kterých bylo cílem zhodnotit změny v zastavěnosti plochy za stanovený časový úsek. Po průchodu klasifikátorem vznikly výsledné segmentované obrazy oblastí v průběhu času, kde bylo možné pozorovat a diskutovat případnou postupnou změnu v charakteru krajiny na daném snímku.
Obrázek č. 1: Území a jeho segmentační mapa v roce 2006 a 2015 pro porovnání jeho zastavěnosti
Závěr
Nástroj TPOT můžeme aplikovat pouze na řešení některých problémů, určitě se ale nejedná o univerzální nástroj vhodný pro všechny situace. Velkou výhodou je, že kombinuje různé metody strojového učení a hledá nejlepší řešení. Je vhodný například pro toho, kdo přesně neví, jaký nástroj použít, a hledá teprve cestu. Dále vám nástroj TPOT může ukázat řešení, které funguje lépe než to současné, a vás by to ani nenapadlo. Například ale u detekce anomálií máme odzkoušeno, že existují metody, která přinášejí přesnější výsledky než TPOT.
Použité nástroje
- Jupyter Notebook: Výzkum byl podobně jako většina ostatních proveden za pomoci užitečného nástroje Jupyter Notebook. Ten slouží pro usnadnění práce a v případě dodržování definovaných zásad i pro tvorbu přehledného kódu.
- Matplotlib: Pro vizualizaci výsledků, kterých bylo při segmentaci dosaženo, byla využita knihovna Matplotlib.
- TPOT: Hlavní nástroj stěžejní pro provedení popsané úlohy se nazývá TPOT. Jedná se o nástroj automatického strojového učení založený na optimalizaci prostřednictvím genetických algoritmů, který využívá a kombinuje řadu modelů strojového učení. Na základě trénovacích dat je za jeho pomoci vytvořen naučený klasifikátor pro získání segmentovaného obrazu.
Související produkty a služby
Big data analýza vám pomůže porozumět chování zákazníků, vývoji trhu nebo odhalit rizikové faktory vašeho byznysu. V průměru denně zpracujeme zhru...
Díky strojovému učení jsme schopni zavést vysoký stupeň automatizace v mnoha výrobních procesech a činnostech napříč různorodými odvětvími. Umělá ...
Poradíme vám
Sjednejte si schůzku s odborníkem na datovou analýzu a strojové učení.

Sledujte náš blog

Inteligentní back office pro automatizované zpracování dokumentů
21. 4. 2022Čtěte více o Inteligentní back office pro automatizované zpracování dokumentů
Nejčastější chyby při práci s firemními dokumenty
16. 3. 2022Čtěte více o Nejčastější chyby při práci s firemními dokumenty
Automatizované vyplňování DPPO díky OCR a detektoru entit
17. 2. 2022Čtěte více o Automatizované vyplňování DPPO díky OCR a detektoru entitWe must know, we will know
Tým odborníků na big data
Objevování nových cest je alfou a omegou naší práce. Používáme nástroje a metody vytvořené pro vědecké týmy speciálně k výzkumným účelům.
Řešení na míru
Při návrhu řešení zohledňujeme schopnost firmy jej nasadit, firemní prostředí i dovednosti zaměstnanců. Díky tomu dokážeme minimalizovat riziko a přinášet úspěch.
Spolupráce se silnými značkami
Cloudera, Microsoft, Clever Analytics, Apache Kafka, Apache Spark, Power BI, Tableau, Jupyter Notebooks