Die städtische Landschaft verändern: Die Auswirkungen künstlicher Intelligenz

KI und Deep Learning sind bereits überall und haben jetzt das Potenzial, die Stadtlandschaft neu zu gestalten. Deep-Learning-Modelle, die Landschaftsbilder analysieren, können Stadtplanern dabei helfen, Sanierungspläne zu visualisieren, die Ästhetik zu verbessern und kostspielige Fehler zu vermeiden. Damit diese Modelle jedoch effektiv sind, müssen sie Elemente in Bildern genau identifizieren und klassifizieren, eine Herausforderung, die als Instanzsegmentierung bezeichnet wird. Diese Herausforderung entsteht durch den Mangel an geeigneten Trainingsdaten, da die Generierung genauer „Ground Truth“-Bildbeschriftungen eine arbeitsintensive manuelle Segmentierung erfordert. Ein aktuelles Papier deutet jedoch darauf hin, dass ein Team möglicherweise die Antwort gefunden hat

Erzeugung innovativer synthetischer Daten durch künstliche Intelligenz

Forscher der Universität Osaka trainierten datenhungrige Modelle, indem sie auf künstlicher Intelligenz basierende Computersimulationen nutzten, um Methoden zur Lösung dieses Problems zu entwickeln. Ihr Ansatz besteht darin, ein realistisches 3D-Modell der Stadt zu erstellen, um Ground-Truth-Segmentierungen zu generieren. Das Bild-zu-Bild-Modell generiert dann realistische Bilder basierend auf Ground-Truth-Daten. Dieser Prozess führt zu einem realistischen Bilddatensatz, der einer tatsächlichen Stadt ähnelt, komplett mit genau generierten Ground-Truth-Labels, sodass keine manuelle Segmentierung erforderlich ist.

Während synthetische Daten bereits früher für Deep Learning verwendet wurden, ist ihr Ansatz anders: Durch Stadtstruktursimulationen werden genügend Trainingsdaten für reale Modelle erstellt. Durch die prozedurale Generierung von 3D-Modellen realistischer Städte und die Verwendung einer Spiel-Engine zur Erstellung segmentierter Bilder können sie ein generatives gegnerisches Netzwerk trainieren, Formen in Bilder mit realistischen städtischen Texturen umzuwandeln und so Straßenansichtsbilder zu generieren.

Vorteile und Zukunftsaussichten

Mit diesem Ansatz ist es nicht mehr notwendig, öffentlich verfügbare Datensätze tatsächlicher Gebäude zu verwenden und gleichzeitig einzelne Objekte zu isolieren, auch wenn sie sich im Bild überlappen. Dieser Ansatz reduziert die Arbeitskosten erheblich und generiert gleichzeitig hochwertige Trainingsdaten. Um seine Wirksamkeit zu überprüfen, trainierten die Forscher das Segmentierungsmodell anhand simulierter Daten und verglichen es mit einem Modell, das anhand realer Daten trainiert wurde. Die Ergebnisse zeigten, dass das KI-Modell bei Instanzen mit großen, einzigartigen Gebäuden eine ähnliche Leistung erbringt, jedoch mit deutlich kürzeren Vorbereitungszeiten für Datensätze. Ziel der Forscher war es, die Leistung des Bild-zu-Bild-Modells unter verschiedenen Bedingungen zu verbessern. Ihre Leistung löst nicht nur den Mangel an Trainingsdaten, sondern reduziert auch die mit der Datensatzvorbereitung verbundenen Kosten und ebnet so den Weg für eine neue Ära der Deep-Learning-gestützten Stadtlandschaftsgestaltung.

Das obige ist der detaillierte Inhalt vonDie städtische Landschaft verändern: Die Auswirkungen künstlicher Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!