Detectie van patronen en objecten met behulp van

Deep Learning

NEO investeert steeds meer in het gebruik van Deep Learning. Deep Learning is de nieuwste stap die gezet wordt in kunstmatige intelligentie. Neurale netwerken bestaan al tientallen jaren, maar tot een aantal jaren geleden was er geen efficiënte manier om ze te trainen. Het zijn zelflerende algoritmes die met de juiste architectuur (met duizenden tot miljoenen parameters) en trainingsdata theoretisch bijna alles kunnen aanleren. Ze stellen ons in staat om uit de steeds grotere aantallen satellietbeelden snel en automatisch informatie te halen over objecten, patronen en veranderingen.
Hieronder enkele voorbeelden van de toepasbaarheid van Deep Learning in het detecteren van objecten en patronen op landbouwpercelen. De zwart/witte beelden zijn de uitkomsten van het model waarbij zwart een hele lage en wit hele een hoge waarschijnlijkheid voor het te detecteren object of patroon weergeven. Het satellietbeeld waar de detectie op is uitgevoerd staat er steeds naast als false colour composite (vegetatie is hierin rood). Het eerste figuur laat het resultaat zien van een model dat zich toespitst op het detecteren van vee, het tweede figuur is de uitkomst van een model dat gespecialiseerd is in de detectie van maaipatronen.