October 18th, 2020

собака

ИИ превращает старые карты в снимки со спутника



Исследователи из Бразилии представили способ превращать старые карты в снимки со спутника. Этот подход позволит учитывать исторический контекст во время изучения отдельных частей планеты.

Исследователи из Политехнического университета в Пернамбуко представили алгоритм машинного обучения, который трансформирует старые карты в спутниковые изображения Google. Эта разработка, по мнению ученых, может информировать людей о том, как со временем меняется планета, а также сообщить о социальных и экономических последствиях урбанизации.

Для реализации проекта они использовали инструмент ИИ под названием Pix2pix, который опирается на две нейронные сети. Первая создает изображения на основе входного набора, а вторая сеть решает, является ли сгенерированное изображение настоящим или нет. Затем сети обучаются обманывать друг друга, и, в конечном счете, создают реалистичные изображения на основе предоставленных исторических данных.

Ученые описывают свой подход в исследовании, опубликованном в журнале Geoscience and Remote Sensing Letters. В этом исследовании они взяли карту Ресифи (Бразилия) 1808 года и создали современные снимки местности.
Collapse )
promo antony_w august 17, 2014 11:48 18
Buy for 10 tokens
Есть блог, в котором написано много постов про роботов: ссылка И там есть несколько статей о замене рабочих мест человека роботами: Уже к 2018 году роботы отберут у человека часть профессий Рабский труд без зарплаты Армия роботов: зачем она нужна обильной людьми Поднебесной и кому может…
собака

Ученые поменяли структуру солнечной батареи и увеличили ее эффективность на 125%



Международная команда исследователей смогла увеличить эффективность работы солнечных батарей на 125%. Для этого они смоделировали идеальное расположение структур внутри устройств.

В новом исследовании группа ученых из Великобритании, Португалии и Бразилии обнаружила, что изменения позиции рисунка решетки в конструкции солнечных батарей может увеличить ток, генерируемый кристаллическим кремнием (c-Si), на 125%. Это первый случай, когда минимальные манипуляции исследователей принесли значительное увеличение эффективности устройства.

Ученые объяснили, что вместо внедрения новых структурных конструкций, основанные на естественных текстурах или вычислительных алгоритмах, исследователи сосредоточились на теоретических расчетах того, что может оптимизировать схему рассеивания и дифракции солнечного света.
Collapse )
собака

Новый метод позволяет ИИ обучаться без данных



Ученые из США представили новый метод упаковки большого объема данных для обучения ИИ. Это снизит затраты на тренировку модели в несколько раз.

Исследователи объяснили, что машинное обучение требует множества примеров из данных. Например, чтобы создать модель ИИ, позволяющую распознать лошадь, ей необходимо проанализировать тысячи изображений лошадей. Это то, что делает технологию дорогой и отличающейся от обучения человека. Ребенку часто нужно увидеть всего несколько примеров предмета, или даже один, прежде чем он сможет распознавать его на протяжении всей своей жизни.

В новой работе предлагается, что модели ИИ тоже могут обучаться так — ученые назвали этот процесс «менее одного» — когда алгоритм распознает больше объектов, несмотря на то, что количество данных, на котором она обучалась, было небольшим.

Например, исследователи обучали ИИ распознаванию цифр, но загружали в модель не данные о каждой цифре, а делали это единой картинкой, учитывая, что у многих цифр есть схожие начертания. Это позволило им уменьшить количество данных с 60 тыс. снимков до 10.

Теперь исследователи работают над тем, чтобы найти другие способы проектирования небольших синтетических наборов данных, будь то ручное проектирование или с помощью другого алгоритма. Однако, несмотря на эти дополнительные исследовательские задачи, в статье представлены теоретические основы для дальнейшего обучения. «Наш вывод заключается в том, что вне зависимости от того, какие наборы данных у вас есть, вы, вероятно, сможете упаковать их для большей эффективности модели», — отметили ученые.

В будущем исследователи хотят обучать даже мощные модели на основе небольших массивов данных. При этом они составят четкие инструкции по упаковке данных, чтобы ими могли воспользоваться ученые даже с небольшим опытом.