Linux Polska pokaże swoje wyniki badań w computer vision podczas EarthVision 2021
Podziel się

Już 19 czerwca podczas warsztatów EarthVision’21 organizowanych przy okazji CVPR (Conference on Computer Vision and Pattern Recognition), zaprezentujemy nasze wyniki badań w obszarze analizy danych wizualnych z wykorzystaniem algorytmów deep learning i sieci neuronowych.

Organizowana corocznie CVPR, czyli Conference on Computer Vision and Pattern Recognition to jedno z najważniejszych wydarzeń poświęconych tematyce computer vision. Widzenie komputerowe (computer vision) to rodzaj sztucznej inteligencji (AI), która wykorzystuje głębokie uczenie do analizy danych wizualnych. 7-dniowe wydarzenie składa się z głównej konferencji oraz równoległych warsztatów tematycznych.

Podczas jednego z warsztatów — EarthVision — przedstawimy naszą najnowszą publikację naukową, przygotowaną przez zespół badaczy z Linux Polska. Stworzony przez nich zbiór danych (LandCover.ai) służy do segmentacji semantycznej budynków, lasów, wody i dróg na zdjęciach lotniczych. Zbiór ten jest publicznie dostępny na stronie landcover.ai, a tym samym osoby zainteresowane mogą go wykorzystywać do własnych badań.

Publikację zaprezentuje Adrian Boguszewski (Deep Learning Engineer, Linux Polska), w dniu 19 czerwca, około godziny 21.50 czasu polskiego. Zapraszamy do rejestracji.

Tomasz Dziedzic

mówi Tomasz Dziedzic,

CTO, Linux Polska
Analiza danych wizualnych przy użyciu computer vision, w tym sieci neuronowych, stanie się w niedalekiej przyszłości nieodłącznym elementem procesów związanych z doskonaleniem usług i podejmowaniem decyzji.

Praca naukowa jest podsumowaniem naszych doświadczeń w obszarze praktycznego zastosowania sztucznych sieci neuronowych do automatycznej detekcji obiektów (m.in. budynków, lasów, wody i dróg) na zdjęciach lotniczych, przy jednoczesnym ograniczeniu kosztów uzyskania efektu.

Tomasz Dziedzic

kontynuuje Tomasz Dziedzic,

CTO, Linux Polska
Chęć wykorzystania najnowszych rozwiązań w tych obszarach nie musi oznaczać od razu konieczności uruchamiania drogich i czasochłonnych projektów. Możemy wykorzystać sieci neuronowe jedynie do obsługi wybranych procesów biznesowych i czerpać korzyści już po krótkim okresie implementacji, nawet przy ograniczonym budżecie.

W analogiczny sposób można również wykrywać inne obiekty takie jak: samochody, maszyny, zwierzęta oraz ludzie, przedmioty niebezpieczne, a także obrysowywać pola. Jako materiał do analizy mogą posłużyć nie tylko zdjęcia lotnicze, ale także satelitarne, rentgenowskie, materiał video, czy tradycyjne zdjęcia archiwalne.

Taki sposób wykorzystania sieci neuronowych w detekcji obiektów na materiale zdjęciowym może przynieść wiele praktycznych korzyści m.in.:

  • firmom ubezpieczeniowym podczas weryfikacji wniosków o odszkodowanie;
  • bankom w trakcie weryfikacji i zabezpieczeń wniosków kredytowych;
  • służbom usuwającym skutki katastrof naturalnych;
  • agencjom dopłatowym udzielającym dofinansowania m.in. w rolnictwie i innych gałęziach gospodarki (weryfikacja składanych wniosków o dopłaty);
  • lotniskom, instytucjom kultury i rozrywki, które chcą kontrolować bezpieczeństwo.

Praktycznych zastosowań analizy danych wizualnych przy użyciu sieci neuronowych w różnych gałęziach gospodarki jest oczywiście dużo więcej. Inny ciekawy przykład to archiwistyka, gdzie wykorzystaliśmy wytrenowaną przez nas sieć neuronową do automatycznej identyfikacji twarzy i przypisywania zdjęć do danej kategorii.

Dowiedz się więcej: Sztuczna inteligencja w archiwistyce – automatyczne tagowanie i rozpoznawanie twarzy na zdjęciach

Polecamy również video: 

Wykrywanie obiektów na zdjęciach lotniczych i satelitarnych – zadanie dla sieci neuronowych

Sieci neuronowe – wykrywanie niebezpiecznych przedmiotów na zdjęciach RTG

Subscribe
Powiadom o
guest
0 komentarzy
Inline Feedbacks
View all comments

    Skontaktuj się z nami