Un AI per catalogare rapidamente gli oggetti visti dal cielo

- DE- FR- IT
2023 Marc Rußwurm
2023 Marc Rußwurm

Detriti galleggianti nell’oceano, deforestazione o mappatura delle aree urbane: un programma che utilizza poche immagini per addestrare una rete neurale in grado di discriminare molto rapidamente nuovi elementi nei dati satellitari o dei droni.

Studiare le popolazioni animali, quantificare la vegetazione, evidenziare i rifiuti che galleggiano sulla superficie degli oceani, monitorare l’evoluzione dei ghiacciai... le immagini scattate dai droni o dai satelliti forniscono una miniera inesauribile di informazioni per una migliore comprensione dei fenomeni che avvengono sulla superficie del globo. Le reti neurali sono in grado di identificare e classificare gli elementi desiderati dopo essere state addestrate da specialisti. "Ma non esiste un programma in grado di portare rapidamente l’intelligenza artificiale dal riconoscimento di un detrito a quello di un albero o di un edificio", sottolinea il professore dell’EPFL Devis Tuia. "Attualmente i ricercatori devono ripetere il processo di apprendimento per ogni nuovo soggetto, fornendogli grandi quantità di dati sul campo". Insieme ai suoi colleghi del Laboratorio di scienze computazionali per l’ambiente e l’osservazione della Terra, nonché agli scienziati dell’Università di Wageningen (NL).Wageningen (NL), del MIT, di Yale e del Centro di ricerca di Jülich (D), ha sviluppato un sistema di apprendimento camaleontico, METEOR, in grado di passare da un tipo di oggetto a un altro sulla base di una manciata di immagini.

Abbiamo sviluppato algoritmi e tecniche che consentono ai modelli di generalizzare l’esperienza precedente e di applicare questa conoscenza a nuove situazioni.

Marc Rußwurm

Quattro o cinque immagini di buona qualità sono sufficienti per riaddestrare il sistema a un nuovo compito

I compiti di riconoscimento delle immagini svolti da intelligenze artificiali come le reti neurali consentono di svolgere in un batter d’occhio un lavoro di classificazione che richiederebbe ore all’uomo. Questi programmi utilizzano dati di addestramento annotati dall’uomo per apprendere e migliorare la loro precisione man mano che procedono. Un albero o un edificio, ad esempio, possono avere rappresentazioni molto diverse a seconda della regione da cui vengono presi i dati. In linea di principio, quindi, per garantire una buona affidabilità è necessario un gran numero di immagini dello stesso elemento scattate in condizioni diverse. "Tuttavia, per molti problemi nelle scienze ambientali, non è possibile ottenere un insieme di dati sufficientemente ampio. Ad esempio, quando il problema è locale, come la scomparsa di una specifica specie di albero in una determinata area, o l’individuazione di detriti nell’oceano che si trovano ovunque ma non sono molto numerosi".Marc Rußwurm, ex ricercatore post-dottorato presso l’EPFL e ora professore assistente presso l’Università di Wageningen (Paesi Bassi).

L’altro ostacolo per l’apprendimento è l’adattamento dell’intelligenza artificiale a diverse risoluzioni spaziali e bande spettrali, nonché al tipo di dispositivo (ad esempio, satelliti o droni). METEOR è un sistema adattabile, capace di meta-apprendimento: prende scorciatoie basate su precedenti compiti di successo in altri contesti. "Abbiamo sviluppato algoritmi e tecniche che consentono ai modelli di generalizzare dalle esperienze precedenti e di applicare queste conoscenze a nuove situazioni", spiega il ricercatore. Per una nuova ricerca, sono sufficienti quattro o cinque immagini di buona qualità per rendere il modello sufficientemente affidabile.

Un modello che sfrutta le differenze di risoluzione

Per testare le capacità del loro programma, gli scienziati hanno modificato un’IA esistente, addestrata a classificare la copertura del suolo su scala globale, per renderla capace di risolvere cinque compiti molto diversi con una fase di apprendimento minima: identificare la copertura vegetale in Australia, differenziare le aree di deforestazione nella foresta pluviale brasiliana, rilevare i cambiamenti a Beirut tra prima e dopo l’esplosione avvenuta nel 2020, identificare i detriti marini nell’oceano e classificare le aree urbane.e classificare le aree urbane in diversi tipi di uso del suolo (zone industriali, commerciali e residenziali dense, medie e rade), ogni volta sulla base di una piccola quantità di immagini, miste tra immagini ad alta risoluzione e immagini satellitari a seconda del problema in esame. "Per questi compiti, in cui il numero di dati è limitato, i risultati sono in tutti i casi paragonabili agli stessi dati elaborati con programmi addestrati da tempo", osserva. In futuro, i ricercatori sperano di addestrare l’IA di base su una moltitudine di compiti, in modo che possa perfezionare ulteriormente i suoi poteri camaleontici. Questo le permetterà di adattarsi ancora più facilmente a innumerevoli compiti di riconoscimento. D’altra parte, anche l’integrazione in un’area di interazione con gli esseri umani, dove sono questi ultimi a cliccare su alcune immagini di buona qualità proposte dal sistema, rappresenterebbe un miglioramento. "Poiché il sistema vede solo poche immagini, la loro rilevanza è molto importante", spiega Marc Rußwurm.

Riferimenti

Marc Rußwurm, Sherrie Wang, Benjamin Kellenberger, Ribana Roscher, Devis Tuia. Meta-apprendimento per affrontare diversi problemi di osservazione della Terra attraverso le risoluzioni. Nature communications earth & environement. 12 gennaio 2024. DOI: 10.1038/s43247’023 -01146-0