오사카 대학의 팀은 데이터 품질을 개선하기 위해 두 개의 인공지능(AI) 네트워크를 서로 배치했으며 이전에 레이블이 지정된 이미지가 필요하지 않았다. 팀에 따르면 이러한 새로운 개발은 컴퓨터 비전 기술이 중요한 토목 공학과 같은 분야에서 사용될 수 있다.  

이미지 복구를 위한 머신러닝

머신러닝은 종종 구름으로 가려진 건물의 항공 이미지와 같이 가려진 이미지를 복구하는 데 사용된다. 이 작업은 수동으로 수행할 수 있지만 시간이 많이 걸리고 머신러닝 알고리즘만큼 효과적이지 않다. 이미 사용 가능한 알고리즘조차도 많은 훈련 이미지 세트가 필요하므로 기술을 더 발전시키는 것이 중요하다.

이것이 오사카대학의 연구원들이 생성적 적대 네트워크를 적용했을 때 한 일이다. 하나의 네트워크는 "생성적 네트워크"이며 클라우드 없이 재구성된 이미지를 제안한다. 이 네트워크는 디지털로 수리된 사진과 구름이 없는 실제 이미지를 구별하기 위해 합성곱 신경망에 의존하는 "판별 네트워크"와 대조된다.

네트워크가 이 프로세스를 진행하면서 둘 다 점점 더 좋아지기 때문에 디지털 방식으로 지워진 구름과 함께 매우 사실적인 이미지를 만들 수 있다.

이케노 카즈노스케(Kazunosuke Ikeno)는 논문의 첫 번째 저자이다. Ikeno는 "생성적 네트워크를 훈련하여 판별 네트워크를 '속여서' 이미지가 실제라고 생각함으로써 우리는 보다 일관성 있는 재구성된 이미지를 얻을 수 있다."고 말한다.

이미지: 2021 IKENO 카즈노스케 외, Advanced Engineering Informatics

시스템 교육

팀은 오픈 소스 데이터 세트의 사진이 포함된 3D 가상 모델에 의존했으며 이를 입력으로 사용했다. 이를 통해 시스템은 클라우드 위에 재구성된 건물을 덮는 디지털 "마스크"를 자동으로 생성할 수 있었다.

Tomohiro Fukuda는 이 연구의 수석 저자이다. Fukuda는 "이 방법을 사용하면 레이블이 지정된 훈련 데이터가 없는 영역에서 건물을 감지할 수 있다."고 말한다.

훈련된 모델은 0.651의 "합집합 교차점" 값을 가진 건물을 감지할 수 있었다. 이 값은 재구성된 영역이 실제 영역과 얼마나 정확하게 일치하는지 측정한 것이다.

팀에 따르면 이 방법은 이미지가 가려진 다른 데이터 세트의 품질을 향상시킬 수 있으며 확장만 하면 된다. 여기에는 의료 영상을 개선하는 데 사용할 수 있는 의료와 같은 다양한 분야의 영상이 포함될 수 있다.

이 연구는 Advanced Engineering Informatics에 게재되었다.