AI和深度學習已經無所不在，現在它們有著重塑城市景觀的潛力。透過分析景觀影像的深度學習模型，可以幫助城市規劃者視覺化重建計劃，提高美觀度並避免代價高昂的錯誤。但是，為了使這些模型有效，它們需要準確地識別和分類影像中的元素，這是一個被稱為實例分割的挑戰。這項挑戰的出現是由於缺乏合適的訓練資料造成的，因為產生準確的「地面實況」影像標籤涉及勞動密集的手動分割。然而，最近一篇論文表明，一個團隊可能已經找到了答案
大阪大學的研究人員透過利用基於人工智慧的電腦模擬，來訓練需要大量資料的模型，設計了解決問題的方法。他們的方法包括創建一個真實的城市3D模型來產生地面實況分割。然後，影像到影像模型根據地面實況資料產生逼真的影像。此過程會產生類似於實際城市的逼真影像資料集，並配有精確生成的地面實況標籤，從而無需手動分割。
雖然合成資料以前已用於深度學習，但他們的方法有所不同，透過城市結構模擬為現實世界模型創建足夠的訓練資料。透過按程式生成現實城市的3D模型並使用遊戲引擎創建分割圖像，他們可以訓練生成對抗網路將形狀轉換為具有現實城市紋理的圖像，從而產生街景圖像。
透過此方法，不再需要使用實際建築物的公開可用資料集，同時能夠分離出單一對象，即使它們在影像中重疊。這種方法顯著減少了人力成本，同時產生高品質的訓練資料。為了驗證其有效性，研究人員在模擬資料上訓練了分割模型，並將其與在真實資料上訓練的模型進行了比較。結果顯示，人工智慧模型在涉及大型、獨特建築物的實例上表現相似，但資料集準備時間大幅減少
研究人員的目標是提高影像到影像模型在不同條件下的表現。他們的成就不僅解決了訓練資料的短缺問題，還降低了與資料集準備相關的成本，為深度學習輔助城市景觀美化的新時代鋪平了道路。
以上是城市景觀的變革：人工智慧的影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！
