Een compleet object
wordt vaker herkend
dan een deel ervan
6
Geo-lnfo 2020-2
Figuur sa - Wel door model gedetecteerde brug die niet inde brondata aan
wezig is. (Bron: auteur)
Figuur3b - Wel door model gedetecteerde brug die niet in debrondata aan
wezig is. (Bron: auteur)
Wat detecteert het model?
Een Deep Learning model werkt door het
'onthouden' van features. Aan de voorkant van het
neurale netwerk staan simpele features zoals lijnen
tussen licht en donker opgeslagen. Verderop in
het netwerk staan complexere features opge
slagen, zoals vangrails of brugsteunen. Liet is de
combinatie van deze complexere features die
uiteindelijk zorgt voor de voorspelling.
Tijdens het onderzoek is een korte zijsprong
gemaakt om de locatie van opslagtanks in
Nederland te voorspellen. In de trainingsdata
waren voornamelijktanks opgenomen die
naast kassen stonden. Liet uiteindelijke model
classificeerde dan ook geen tanks, maar kassen.
En ondanksdat kassen in de trainingsdata een
goede proxy zijn voor tanks, is dit uiteindelijk niet
het gedrag dat gewenst is van 20 een model.
Dit fenomeen kanje ookcolocatie noemen.
Conclusies van het onderzoek
chip classification is een geschikte
methode als je trainingsdata met een
minderexacte ruimtelijke resolutie tot je
beschikking hebt;
cölocatie kan de prestaties van het model
verminderen;
Raster Vision is een open-source framework
voor deep learning in hetgeo-veld.
Aandachtspunt: rotatie-invariantie
Deep Learning wordt veel en al langer, toege
past voor computervision. Dit gaat dan vaak
om het herkennen van objecten ais honden
en katten. Dit is wezenlijk anders dan het
toepassen in het geo-domein. Veel compu
tervision concepten zijn al terug te vinden in
standaard programmeertalen zoals Python.
Omdat het toepassen van computervision
-pp ruimtelijke informatie nog nieuwer is zie
je dat veel wetenschappelijke ideeën uit dat
veld nog niet terug te vinden zijn in standaard
software zoals Python. EHier en daar zijn er wel
implementaties op het net te vinden, maar
het maken van een écht goed model is nog;
lastig. Zo zijn objecten óp satellietbeefden
rotatie-invariant, ofwel, een auto is een auto
onafhankelijk van of die met zijn neus naar
het Noorden of het Zuiden staat. De meeste
óbjecten in de klassieke computervision heb
ben wel een onderen boven. Daarom kunnen
modellen vanuit de computervision niet goed
-omgaan met rotatie-invariantie. Liet is een
kwestie van tijd en zelf bouwen om dit soort
problemen op te lossen.
Stage bij Defensie
Ik vond hafceen gave stage; Wel heb ik in
praktijk 99% van mijn tijd bij het Kadaster
doorgebracht. Liet Geo-Expertise Centrum
van het Kadaster houdt zich onder meer
bezig met objectherkenning door middel
van Deep Learning. Dit team was ook bezig
om Deep Learning in te zetten voor MGCP,
maar dan via de segmentatie-techniek. Tege
lijkertijd lag; er de vraag om met een object
gebaseerde techniek aan de slag te gaan.
Daarom ben ik via Defensie aangesloten
geweest bij dit team.
Ethisch kompas
Als je gelooft dat de Nederlandse Defensie in de
regel goed is, dan is het ookgoed om datzelfde
leger te voorzien van goede kaarten. Wel moet
jé Opletten dat het opgeleverde model niet
discrimineert. Iedere brug is immers even gelijk.
Omdatde trainingsdatadoor MGCP zelf gele
verd is, zal het model hetzelfde ethische kompas
hebben als de cartografen van MGCP die de
data hebben gemaakt. Dus dat zit wel goed.
Referentie
http// rastervision ,10/
Figuur4a - Fen duidelijke brugsteun.
(Bron: auteur)
Figuur4b - Bijbehorende saliency map.
(Bron: auteur)
Laurens Bakker MSc is freelancer
op het gebied van Deep
Learning en ruimtelijkeanalyse.
Hij is te bereiken via
lnfo@geodatan.nl