Newly从默塞德加利福尼亚大学发表的研究，铺平迈向一个引人入胜的新AI使用情况的方式：将机器学习，以卫星图像可视化在地面上的看法。
该技术对于航空影像丰富的大型农村地区的绘图和分类特别有用，但实地图像稀少或根本不存在。
该论文称，研究人员率先使用这种方法将卫星图像转换为地面预测。那么它是怎样工作的?
快照游戏
为了从卫星照片预测地面视图，该团队使用了一种称为条件生成对抗网络(cGAN)的机器学习系统。这结合了两个神经网络：“发电机”和“鉴别器”。
AI显示了数千对图像，每个图像包括卫星图像和相同位置的地平面照片。通过比较16,000对这样的对，训练了cGAN，从航空照片中可视化地面上的物体。
然后，“生成器”神经网络被馈送了4,000个新的卫星图像，并被告知根据每个图像创建假的地平面图像，以及从训练数据中学到的内容。然后，发生器通过来自“鉴别器”(可以访问真实的地平面视图)的反馈来学习，以产生更准确的图像。
理论是该过程迭代地改进：鉴别器记录真实和AI生成的图像之间的差异，并且两个神经网络发挥竞争性游戏以产生更准确的结果 - 技术名称中的对抗性元素。
机器制作的图像
由此产生的假地面图像看起来很自然，结构上与真实图像相似，但当然缺乏真实的细节; 根据航空数据，它们只是对地面视图的预测。
但考虑到它们能够表示土地类型和道路等特征，使用该框架生成的密集特征图对于土地覆盖分类比现有的人类方法更有效。
因此，新的人工智能增强过程可以通过补充农村地区的稀疏图像库来使地理学家的工作变得更加容易，这些图像库是他们多年来不得不依赖这种分类工作的。如果没有自己前往偏远地区并拍摄数千张照片，这是迄今为止开发的最准确的方法。
新技术能够在73%的时间内成功确定土地利用，而目前使用的人工插值方法在65%的情况下是正确的。然而，研究团队的目标是进一步提高系统的性能，并探索其他机器学习方法。
