도시 경관을 변화시키다: 인공 지능의 영향

AI와 딥 러닝은 이미 어디에나 있으며 이제 도시 풍경을 바꿀 수 있는 잠재력을 갖고 있습니다. 풍경 이미지를 분석하는 딥 러닝 모델은 도시 계획자가 재개발 계획을 시각화하고 미적 측면을 개선하며 비용이 많이 드는 실수를 방지하는 데 도움이 될 수 있습니다. 그러나 이러한 모델이 효과적이려면 이미지의 요소를 정확하게 식별하고 분류해야 하며, 이는 인스턴스 분할이라고 알려진 과제입니다. 정확한 "실측" 이미지 레이블을 생성하려면 노동 집약적인 수동 분할이 필요하기 때문에 적절한 훈련 데이터가 부족하기 때문에 이러한 문제가 발생합니다. 그러나 최근 논문에서는 한 팀이 답을 찾았을 수도 있다고 제안합니다

인공 지능을 통해 혁신적인 합성 데이터 생성

오사카 대학의 연구원들은 이 문제를 해결하기 위한 설계 방법에 인공 지능 기반 컴퓨터 시뮬레이션을 활용하여 데이터가 부족한 모델을 훈련했습니다. 그들의 접근 방식에는 도시의 사실적인 3D 모델을 생성하여 실제 데이터 분할을 생성하는 것이 포함됩니다. 그런 다음 이미지 대 이미지 모델은 실제 데이터를 기반으로 사실적인 이미지를 생성합니다. 이 프로세스를 통해 실제 도시와 유사한 사실적인 이미지 데이터세트가 생성되고 정확하게 생성된 실제 라벨이 포함되어 수동 분할이 필요하지 않게 됩니다.

이전에는 합성 데이터가 딥러닝에 사용되었지만 접근 방식이 다릅니다. 도시 구조 시뮬레이션을 통해 실제 모델에 충분한 훈련 데이터를 생성합니다. 현실적인 도시의 3D 모델을 절차적으로 생성하고 게임 엔진을 사용하여 분할된 이미지를 생성함으로써 생성적 적대 네트워크를 훈련시켜 모양을 현실적인 도시 질감이 있는 이미지로 변환함으로써 스트리트 뷰 이미지를 생성할 수 있습니다.

장점 및 향후 전망

이 접근 방식을 사용하면 더 이상 실제 건물에 대해 공개적으로 사용 가능한 데이터 세트를 사용할 필요가 없으며, 이미지에서 겹치는 경우에도 개별 개체를 격리할 수 있습니다. 이 접근 방식은 고품질 교육 데이터를 생성하는 동시에 인건비를 크게 절감합니다. 그 효과를 검증하기 위해 연구원들은 시뮬레이션된 데이터로 분할 모델을 훈련하고 이를 실제 데이터로 훈련된 모델과 비교했습니다. 결과는 AI 모델이 크고 독특한 건물과 관련된 인스턴스에서 유사하게 수행되었지만 데이터 세트 준비 시간을 크게 단축한 것으로 나타났습니다. 연구원들은 다양한 조건에서 이미지-이미지 모델의 성능을 향상시키는 것을 목표로 했습니다. 이들의 성과는 교육 데이터 부족 문제를 해결할 뿐만 아니라 데이터 세트 준비와 관련된 비용을 줄여 딥 러닝 기반 도시 조경의 새로운 시대를 여는 길을 열었습니다.

위 내용은 도시 경관을 변화시키다: 인공 지능의 영향의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!