Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Нейросеть ускорит «гаражную амнистию»
Российские исследователи впервые продемонстрировали возможность применения нейронной сети PointNext для проведения государственного мониторинга земель. Использование нейросети позволит автоматизировать рутинные процессы при земельном планировании и, таким образом, ускорить процесс согласования документов на право собственности.
В статье, опубликованной в «Вестнике СГУГиТ», представлены наилучшие параметры для обучения модели с тем, чтобы обеспечить максимальную точность.
Для задач строительства, приватизации требуется регулярный мониторинг территорий. Ведут его, как правило, классическим методом. Сотрудники выезжают на место и проводят визуальный осмотр. Это отнимает много времени, сказывается нехватка персонала. Ученые из МФТИ и Кубанского государственного технологического университета предложили автоматизировать этот процесс.
Авторы работы приводят в пример реализацию закона о «гаражной амнистии» в Краснодаре. Согласно этого закона, граждане могут легализовать свой гараж и приобрести в собственность земельный участок под ним. Сейчас в работе департамента муниципальной собственности находится 7000 заявлений, люди ждут согласования документов от шести до 16 месяцев, в то время как регламент отводит на все месяц.
Ускорить процесс поможет съемка территории лазерным локатором (лидаром). Для распознавания объектов исследователи предложили использовать нейронную сеть PointNext, разработанную на основе PointNet++. Это программа с открытым кодом, написанная для работы с облаками точек лазерного отражения. Ее используют для сегментации, классификации и идентификации трехмерных объектов.
«Обычно нейросети используют для распознавания объектов на фото или видео, а PointNext работает с облаком точек лазерного отражения. Поэтому мы решили использовать ее», — пояснил Сергей Самарин, аспирант Физтех-школы радиотехники и компьютерных технологий МФТИ.
Лидар сканирует территорию лазерными импульсами, по времени их возвращения он определяет расстояние до объекта. В результате получается массив точек. Именно его и передают в нейросеть.
Но чтобы она выдала качественный результат, ее нужно обучить. Для этого используют эталонные наборы данных. В данном случае ученые воспользовались системой Terra_Maker, разработанной в Кубанском государственном университете. С ее помощью сгенерировали массив точек лазерного отражения участка размером 1000 на 1000 метров, где находится более 500 объектов недвижимости. Общее количество точек — более 4,7 миллионов. Все они были размечены на пять классов: земля, крыши зданий, низкая растительность, средняя растительность, высокая растительность.
Для оценки качества работы модели используют различные метрики, в первую очередь точность (accuracy), которая показывает долю верных ответов. Хорошая точность стремиться к 100 процентам (но не равна им). Чтобы получить максимальную точность, нужно правильно подобрать параметры работы нейросети. Именно эту задачу решали авторы исследования. Они перенастроили специально под нее PointNext и приступили к обучению.
Потребовалось 12 экспериментов, в результате которых определили оптимальное количество точек для одного обучаемого образца, размер сетки и количество эпох (когда через алгоритм проходит весь набор данных). В исследовании применяли функцию потерь CrossEntropy loss, оптимизатор Adam optimizer, экспоненциальное убывание скорости обучения (Step Decay).
Результата работы нейросети представлен в виде трехмерных графиков с точками, покрашенными определенным цветом. Крыша здания, к примеру, сиреневая, высокая растительность — красная.
Наиболее точный результат получили при 2500 точек в одном обучающем образце и сетке 25 метров. В процессе обучения выявили закономерность — чем меньше сторона сетки и меньше точек в облаке, тем выше точность. Если добавить в датасет информацию о цвете, то точность несколько снижается, но не существенно. В целом, чем меньше параметров, тем более эффективно предсказывает модели. Наилучшая точность, полученная в эксперименте — 0,9998. Такой результат, близкий к единице, говорит об идеальном наборе данных, с которыми работала нейросеть. С реальным датасетом, где есть искажения и шумы, точность будет ниже.
Следующим шагом ученые намерены задействовать воздушное лазерное сканирование на реальных объектах с последующей камеральной обработкой данных нейросетью.
«Вместо того, чтобы тратить целый день на обход земельных участков, мы запускаем беспилотник с лидаром, делаем съемку. Чистим данные от шумов и отправляем в нейросеть. Она сегментирует и классифицирует данные так, что мы понимаем, где на территории есть здания, например, гараж», — поделился планами Сергей Самарин.
Эта работа важна не только для реализации закона о «гаражной амнистии», но также для выявления незаконного строительства, контроля за нарушениями при строительстве, например, соблюдении этажности, отступов от границ земельных участков.
(опубликовано при поддержке гранта Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий» № 075-15-2024-571)
Исследователи из Великобритании сравнили воздействие на компостных червей трех видов волокон. Первый — полиэстер, представляет собой полимер, а два других — вискозу и лиоцелл — получают из целлюлозы и считают более безопасными для окружающей среды. Однако опыты показали, что токсичность вторых для важнейших обитателей почвы даже выше, чем у полиэфирного волокна.
В более теплые периоды истории планеты Сахара прекращала быть пустыней и зарастала растительностью. Теперь климатологи выяснили, что такое зарастание сильнейшим образом влияло как минимум на все Северное полушарие и в особенности на Арктику, Европу и Среднюю Азию. Эти выводы интересны в контексте нынешнего потепления, последствием которого ряд ученых считают новое близящееся озеленение Сахары.
Речь идет о концепции, которую считали очень убедительной: она и теории Эйнштейна не противоречит, и при этом описывает вращающуюся черную дыру, а как раз такие мы в космосе и обнаруживаем. Теперь выясняется, что с ней — большая проблема.
Используя инструменты искусственного интеллекта, канадская компания Prodigy Education проанализировала тексты англоязычных песен лучших современных исполнителей по версии Billboard, а также популярных музыкантов прошлых десятилетий. В итоге удалось выяснить, чьи композиции отличаются наибольшим лексическим разнообразием, а значит, дают более обильную пищу для ума.
Под рыжим верхним слоем с виду обычного камня открылся целый калейдоскоп довольно неожиданных оттенков. Это особенно интересно с учетом того, где лежит камень — в марсианском кратере, который по всем признакам когда-то был озером.
Исследователи из Великобритании сравнили воздействие на компостных червей трех видов волокон. Первый — полиэстер, представляет собой полимер, а два других — вискозу и лиоцелл — получают из целлюлозы и считают более безопасными для окружающей среды. Однако опыты показали, что токсичность вторых для важнейших обитателей почвы даже выше, чем у полиэфирного волокна.
Полторы тысячи лет назад климат в Северном полушарии резко изменился. В Дании так похолодало, что там стало невозможно заниматься сельским хозяйством. Авторы нового исследования считают, что именно этот период был прообразом Фимбульвинтера — зимы, предшествующей Рагнарёку.
Под рыжим верхним слоем с виду обычного камня открылся целый калейдоскоп довольно неожиданных оттенков. Это особенно интересно с учетом того, где лежит камень — в марсианском кратере, который по всем признакам когда-то был озером.
Сейчас Япония привлекает людей со всего мира, но так было не всегда. На протяжение десяти тысяч лет архипелаг оставался изолированным от остального мира, пока туда не начали прибывать первые «мигранты» с континента. Это показал генетический анализ останков человека эпохи Яёй.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
ПонятноИз-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
ПонятноНаши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
ПонятноМы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
ПонятноМы скоро прочитаем его и свяжемся с Вами по указанной почте. Спасибо за интерес к проекту.
Понятно
Комментарии