Deep Learning op Geo-lnforma
Om wereldwijd topografische
data beschikbaar te hebben
wordt er voor Defensie handmatig
vectordata ingewonnen op basis
van satellietbeelden. Dit is een
tijdrovend proces en kan ertoe
leiden dat Defensie niet altijd de
meest recente situatie op de kaart
heeft staan - met alle gevolgen
van dien. Kan die inwinning sneller
door inzet van automatisering?
De auteur heeft als GIMA-stagiair
een Deep Learning model getraind
om bruggen te herkennen in
Wit-Rusland. Het blijkt mogelijk
om automatisch de helft van de
bruggen met een precisie van 96%
te detecteren.
Wat is Machine Learning?
Chip Classification Object Detection Semantic Segmentation
4 Geo-lnfo 2020-2
Door Laurens Bakker
Binnen de Nederlandse defensieorganisatie
is de Dienst Geografie verantwoordelijk voor
bet verwerven, verwerken, en verspreiden van
geografische informatie. Nederland neemt bin
nen deze context deel aan het Multinational
Geospatial Co-production Programme (MGCP),
waarbij 32 landen wereldwijd vectordata inwin
nen per cel van 1 breedtegraad bij 1 lengte
graad, grofweg 100 bij 100 kilometer, en deze
informatie met elkaar delen. De Nederlandse
deelname wordt verzorgd door een team
van ongeveer 40 cartografen bij het Kadaster.
Devfaag rees: kan Machine Learning dit proces
sneller, goedkoper en/of nauwkeuriger maken?
Drie soorten DL
Grofweg kan je de onderzoeken indelen naar
hun type uitkomst (zie ook fjg.i):
Bij chip classification geef je een enkele voor
spelling per chip. Een chip is een beélddeel
van bijvoorbeeld 256 bij 25# pixels. Dit kan een
voorspelling van het aantal auto's zijn, maar
ook een binaire voorspelling is mogelijk;
Bij semantic segmentation geef je een voor
spelling per pixel. Ofwel, behoort deze pixel
tot de klasse 'auto' of tot de klasse 'huis';
Bij object detection geef je een voorspel
ling per object, hoeveel dat er dan ook zijn.
Hierbij moetje zowel het type ais de locatie
voorspellen.
Object detection en semantic segmentation
zijn preciezer qua ruimtelijke resolutijs dan
chip classification. Waarom zou je informatie
overeen helechip vyillen hebben als je deze
informatie ook per pixel kan hebben? Daar
naast zijn er nog taken zoals denoising, image
matching, of regressie, maar deze worden
minder vaak toegepast.
De termen 'Artificial Intelligence' (Al),
'Machine Learning' (ML) en 'Deep Learning'
(DL) worden vaak verward dan wel mis
bruikt. Wat hebben ze met elkaar te maken?
Al staat voor Artificial Intelligence, of
kunstmatige intelligentie. Je zou kunnen
zeggen dat iedere vorm van niet-biologi-
sche intelligentie een vorm van kunstma
tige intelligentie is. Met andere woorden,
een lichtknop, een rekenmachine en een
automatische draaideur zijn allemaal
vormen van kunstmatige intelligentie.
Binnen Al heb je een subgroep: Machine
Learning. Dit betekent datje de intel
ligentie verkrijgt door de machine te laten
leren. Toon je een model voorbeelden,
dan kan hij op basis daarvan, bij een nieuw
voorbeeld een voorspelling proberen te
geven. En als laatste Deep Learning. Dit is
een specifieke groep modellen binnen ML.
Dit type modellen staat ook wel bekend als
neurale netwerken en is losjes gebaseerd
op het principe van biologische neuronen
en verbindingen hiertussen.
In mijn stageverslag is hoofdstuk2 geschre
ven voor lezers die beperkte achtergrond
in DL hebben, maar wel graag meer zouden
willen weten. Het verslag is te downloaden
via mijn Linkedln profiel: nl.linkedin.com/
in/laurens-bakker-9bb2a2b2
Snelste insteek
Welke soort kies je? Allereerst hoeft de trainings
data die nodig is voor chipclassification een
minder hoge ruimtelijke resolutie te hebben.
Je wilt namelijkenkel per chip weten of er wel
Figuur 1 - Drie technische categorieën. (Bron: Raster Vision met toestemming).