Synthetic Data Augmentation for Satellite-Based Analysis of Battle-Damaged Agricultural Fields in Ukraine
تُثبت هذه الورقة أن تعزيز صور الأقمار الصناعية النادرة ببيانات اصطناعية ناتجة عن نماذج الانتشار الاحتمالية لإزالة الضجيج (DDPMs) يحسن بشكل كبير من دقة وأداء التوازن لمصنفات الرؤية الحاسوبية في اكتشاف الحقول الزراعية المتضررة من المعارك في أوكرانيا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في أعقاب النزاعات، غالبًا ما تحمل الأرض نفسها أعمق الندوب. وبالنسبة للأمم التي تحاول إعادة الإعمار، فإن معرفة الأماكن التي تمزقت فيها التربة بسبب القصف بدقة هي مسألة تتعلق بالبقاء، والأمن الغذائي، والسلامة. توفر التكنولوجيا الحديثة وسيلة لرؤية هذه الجروح من الأعلى باستخدام الأقمار الصناعية، لكن تحويل تلك الصور إلى خرائط مفيدة يتطلب جهدًا بشريًا كبيرًا. إذ يجب تعليم الحواسيب كيف يبدو الحقل المتضرر، وعادة ما يتطلب هذا التعليم آلاف الأمثلة المصنفة. وفي مناطق الحروب، يكون جمع مثل هذه المجموعة الكبيرة من الصور بطيئًا، وخطيرًا، وغالبًا ما يكون مستحيلاً. وعندما يكون هناك عدد قليل جدًا من الأمثلة، تصبح برامج الكمبيوتر التي تحلل السماء غير موثوقة، وغالبًا ما تخطئ في رصد الضرر ذاته الذي وُجدت من أجله. ولحل هذه المشكلة، بدأ الباحثون في استكشاف طريقة تقوم فيها الحواسيب بإنشاء مواد تدريب خاصة بها، عبر توليد صور جديدة لحقول متضررة وأخرى غير متضررة لتدريب النظام، آملين أن تتمكن هذه الأمثلة الاصطناعية من تعليم الآلة بقدر ما تفعل الصور الفوتوغرافية الحقيقية.
لقد وضع فريق من الباحثين في الجامعة الكاثوليكية الأوكرانية هذه الفكرة قيد الاختبار، مع التركيز تحديدًا على الحقول الزراعية في أوكرانيا. كان هدفهم هو معرفة ما إذا كان بإمكانهم تعليم حاسوب التمييز بين حقل أخضر هادئ وحقل مشوه بفعل فوهات القنابل، حتى عندما يمتلكون عددًا قليلًا جدًا من الصور الحقيقية. بدأوا بمجموعة بيانات صغيرة من صور الأقمار الصناعية من منطقة باخموت، حيث يتم التقاط الأرض بتفاصيل عالية تظهر الفوهات الفردية. كانت البيانات منحازة بشدة، حيث احتوت على صور للحقول المقذوفة أكثر بكثير من الحقول غير المتضررة، وهي مشكلة شائعة تسبب الارتباك لأنظمة الرؤية الحاسوبية. ولإصلاح ذلك، درب الباحثون نوعين مختلفين من نماذج الذكاء الاصطناعي على الصور الحقيقية التي لديهم. تعلم أحد النماذج، المعروف باسم "الشبكة التنافسية التوليدية"، والنموذج الآخر، وهو "نموذج الانتشار"، الأنماط البصرية للحقول. وبدلاً من مجرد نسخ الصور الموجودة، تعلمت هذه النماذج إنشاء صور اصطناعية جديدة تمامًا لحقول متضررة وغير متضررة، مما ملأ الفجوات في مكتبة التدريب الخاصة بهم بفعالية.
بعد ذلك، استخدم الباحثون هذه الصور المنشأة حديثًا لتدريب نظام متطور للتعرف على الصور يسمى "محول الرؤية" (Vision Transformer). واختبروا استراتيجيتين مختلفتين: إحداهما حيث يتم توليد ما يكفي فقط من الصور المزيفة لموازنة عدد الأمثلة المتضررة وغير المتضررة، والأخرى حيث يتم ببسا-طة مضاعفة كمية البيانات مع الحفاظ على عدم التوازن الأصلي. كانت النتائج واضحة؛ فقد كان النظام المدرب بالبيانات الاصطناعية المتوازنة يؤدي بشكل أفضل بكثير من النظام المدرب على الصور الحقيقية فقط. والأهم من ذلك، أصبح النظام أفضل بكثير في التعرف بشكل صحيح على الحقول غير المتضررة، وهي الفئة التي كان يعاني من التعرف عليها سابقًا. ومن خلال استخدام الصور الاصطناعية لموازنة مجموعة التدريب، نجح الباحثون في تحسين قدرة النظام على التعرف الصحيح على الحقول غير المتضررة من 41 بالمئة إلى 69 بالمئة. كما ارتففت الدقة الإجمالية للنظام من 84 بالمئة إلى 88 بالمئة، وقفز مقياس مدى تعامل النظام مع كلا النوعين بالتساوي من 67 بالمئة إلى 81 بالمئة.
كشفت الدراسة أيضًا أن ليست كل طرق إنشاء البيانات المزيفة متساوية. فقد أنتج "نموذج الانتشار"، الذي يبني الصور عن طريق إزالة الضجيج تدريجيًا من نمط عشوائي، نتائج أفضل من "الشبكة التنافسية التوليدية". كانت الصور التي أنتجها نموذج الانتشار أكثر تنوعًا وتطابقًا مع الأنماط الإحصائية لصور الأقمار الصناعية الحقيقية، في حين مال النموذج الآخر إلى تكرار أنسجة متشابهة. وهذا يشير إلى أنه بالنسبة لهذه المهمة المحددة، فإن جودة وتنوع البيانات الاصطناعية أهم من مجرد امتلاك حجم أكبر من الصور. ووجد الباحثون أن مجرد إضافة المزيد من البيانات دون معالجة عدم التوازن لم يساعد بقدر ما ساعدت إضافة النوع المفقود من البيانات بعناية. وكان النظام الأفضل أداءً هو الذي استخدم نموذج الانتشار لتوليد المزيد من الأمثلة للحقول النادرة غير المتضررة تحديدًا، مما سمح للحاسوب بتعلم صورة أكثر اكتمالًا لما يبدو عليه الحقل الآمن.
بينما تعد هذه النتائج واعدة، يلاحظ الباحثون بحذر حدود عملهم. فقد جاءت الصور من منطقة واحدة ومن نوع محدد من الأقمار الصناعية، لذا ليس من المعروف بعد ما إذا كانت هذه الأساليب ستعمل بشكل مثالي في أجزاء مختلفة من أوكرانيا أو مع مستشعرات مختلفة. علاوة على ذلك، فإن النظام مصمم لتحديد الضرر، وليس لتحديد ما إذا كان الحقل آمنًا للدخول إليه أو ما إذا كانت هناك ذخائر غير منفجرة موجودة. ومع ذلك، توضح الدراسة أن البيانات الاصطناعية يمكن أن تكون أداة قوية للتحليل الجغرافي المكاني في المناطق المتضررة من الحروب. فمن خلال تعليم الحواسيب بمزيج متوازن من الأمثلة الحقيقية والمولدة، يمكن بناء أدوات أكثر موثوقية لتقييم الأضرار التي لحقت بالأرض، مما يوفر رؤية أوضح لمسار التعافي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.