I ricercatori dell’Università di Osaka hanno scoperto che le immagini dei gemelli digitali della città, create utilizzando modelli 3D e motori di gioco, possono essere combinate con le immagini della città reale per creare facilmente dati di addestramento del modello di apprendimento profondo per la maggior parte dell’architettura moderna
Osaka, Giappone – I motori di gioco sono stati originariamente sviluppati per costruire mondi immaginari per l’intrattenimento. Tuttavia, questi stessi motori possono essere utilizzati per creare copie di ambienti reali, ovvero gemelli digitali . I ricercatori dell’Università di Osaka hanno trovato un modo per utilizzare le immagini generate automaticamente dalle città gemelle digitali per addestrare modelli di deep learning in grado di analizzare in modo efficiente le immagini di città reali e separare accuratamente gli edifici che vi appaiono.
Una rete neurale convoluzionale è una rete neurale di apprendimento profondo progettata per l’elaborazione di matrici strutturate di dati come le immagini. Tali progressi nell’apprendimento profondo hanno cambiato radicalmente il modo in cui vengono eseguiti compiti, come la segmentazione dell’architettura. Tuttavia, un modello accurato di rete neurale convoluzionale profonda (DCNN) richiede un grande volume di dati di addestramento etichettati e l’etichettatura di questi dati può essere un’impresa manuale lenta ed estremamente costosa.
Per creare i dati sintetici del gemello digitale della città, gli investigatori hanno utilizzato un modello 3D della città dalla piattaforma PLATEAU, che contiene modelli 3D della maggior parte delle città giapponesi con un livello di dettaglio estremamente elevato. Hanno caricato questo modello nel motore di gioco Unity e hanno creato una configurazione della telecamera su un’auto virtuale, che girava per la città e acquisiva le immagini dei dati virtuali in varie condizioni di illuminazione e meteorologiche. L’API di Google Maps è stata quindi utilizzata per ottenere immagini reali a livello stradale della stessa area di studio per gli esperimenti.
I ricercatori hanno scoperto che i dati del gemello della città digitale portano a risultati migliori rispetto ai dati puramente virtuali senza una controparte nel mondo reale. Inoltre, l’aggiunta di dati sintetici a un set di dati reale migliora l’accuratezza della segmentazione. Tuttavia, cosa più importante, gli investigatori hanno scoperto che quando una certa frazione di dati reali è inclusa nel set di dati sintetici del gemello della città digitale, l’accuratezza della segmentazione del DCNN viene aumentata in modo significativo. In effetti, le sue prestazioni diventano competitive con quelle di un DCNN addestrato su dati reali al 100%. “Questi risultati rivelano che il nostro set di dati sintetico proposto potrebbe potenzialmente sostituire tutte le immagini reali nel set di addestramento”, afferma Tomohiro Fukuda, l’autore corrispondente del documento.
La separazione automatica delle singole facciate di edifici che appaiono in un’immagine è utile per la gestione della costruzione e la progettazione architettonica, misurazioni su larga scala per retrofit e analisi energetiche e persino per visualizzare facciate di edifici che sono state demolite. Il sistema è stato testato su più città, dimostrando la trasferibilità del quadro proposto. Il set di dati ibrido di dati reali e sintetici produce risultati di previsione promettenti per la maggior parte degli stili architettonici moderni. Ciò lo rende un approccio promettente per l’addestramento dei DCNN per le attività di segmentazione dell’architettura in futuro, senza la necessità di costose annotazioni manuali dei dati.
###
L’articolo, “Generazione automatica di set di dati sintetici da un gemello digitale della città per l’uso nella segmentazione dell’istanza delle facciate degli edifici”, è stato pubblicato nel Journal of Computational Design and Engineering al DOI: https://doi.org/10.1093/jcde/ qwac086 .
Informazioni sull’Università di Osaka
L’Università di Osaka è stata fondata nel 1931 come una delle sette università imperiali del Giappone ed è ora una delle principali università complete del Giappone con un ampio spettro disciplinare. Questa forza si unisce a una singolare spinta all’innovazione che si estende lungo tutto il processo scientifico, dalla ricerca fondamentale alla creazione di tecnologia applicata con impatti economici positivi. Il suo impegno per l’innovazione è stato riconosciuto in Giappone e nel mondo, essendo stata nominata l’università più innovativa del Giappone nel 2015 (Reuters 2015 Top 100) e una delle istituzioni più innovative al mondo nel 2017 (Innovative Universities and the Nature Index Innovation 2017) . Ora, l’Università di Osaka sta sfruttando il suo ruolo di Designated National University Corporation selezionata dal Ministero dell’Istruzione, della Cultura, dello Sport,
