Особенности
Система GAN прошла обучение по модифицированному составу, не имеющему пространственных особенностей из-за случайности перестановки пикселей. Следует ожидать, что технология cGAN- не воспользуется преимуществами изгибов. Второй КГАН был лишен возможности получить компенсацию за потерю дискриминатора. Можно было бы ожидать, что он не будет создавать пейзажи с резкими красками.
Анализ
Специалисты могут визуально определить, похожи ли пары снимков со спутника на одну и ту же экосистему, имеют ли они сходные характеристики климатических условий или имеют привлекательные ландшафтные структуры.
Эксперты могут определить, является ли спутниковое изображение реалистичным или ошибочным. Однако метрики, основанные на человеческом восприятии дороги и неэффективны и предвзяты. По этому то и развиваются новые цифровые метрики. Для объективного сравнения моделей результатов нужны тысячи образцов.
Генерируемые ландшафты похожи на целевые, однако созданные пейзажи не должны совпадать с пикселями целей. Мы протестировали сгенерированные ландшафты, сравнив метрики высокого уровня с целевыми ландшафтами.
Ландшафтные показатели обычно используются для объективного описания ландшафтной структуры. Они занимают центральное место в исследовании экологии и анализа биоразнообразия и среды обитания. Мы используем метрики перехода на ландшафтный уровень в качестве среднего значения для сравнения ландшафтного состава и структуры. В то время как наш количественный анализ сосредоточен на ландшафтных показателях.
Прогнозирование этих показателей не является главной нашей целью. А является создание ландшафта изображения, которые ведут себя реалистично, и мы используем метрики ландшафта в качестве средства автоматизации оценки.
Для того чтобы вычислить метрики перехода ландшафта, сначала необходимо сегментировать его на ландшафтные единицы. Обычно единицы имеют семантическое значение например лес или промышленность, и процесс сегментации часто осуществляется людьми. Однако в попытке автоматизировать анализ мы выбрали неконтролируемую несемантическую сегментацию.
Генерируемые и целевые спутниковые изображения были неконтролируемо сегментированы с помощью кластеризации K-средств с использованием красного цвета, зеленая, синяя и ближняя инфракрасная полосы в качестве входных переменных. Отдельные пиксели были разделены на 20 кластеров.
Поскольку ландшафтные метрики часто являются избыточными, мы выбрали пять репрезентативных метрик ландшафтного уровня различной природы основываясь на экспертных критериях. Нашей последней оценочной мерой является двунаправленная средняя корреляция, рассчитанную как между сгенерированными и целевыми ландшафтами для метрик перехода.
Взаимосвязь между ландшафтными метриками генерируемых и целевых показателей пейзажи.
Индекс разнообразия Шеннона SHDI, когерентность патча, коммутационное соединение, средняя размерность фрактала и эффективного размера ячеек были рассчитаны как для реальных ландшафтов, так и для ландшафтов, созданных с учетом экологических факторов условия на местах испытаний. Прогнозирование ландшафтов с учетом состояния окружающей среды с помощью генерирующих сетей Взаимосвязь показателей ландшафтного уровня между сгенерированными и целевыми ландшафтами. Предлагаемая модель GAN лучше всего подходит для создания ландшафтов, метрики, которые напоминают метрики выбирать в качестве цели пейзажи.
Модели с ограниченными возможностями, несмотря на то, что их общий вес равен общему весу предлагаемой модели GAN, не в состоянии воспроизвести пейзажные метрики в той же степени. Это указывает и на то, и на то, что обучение носит дискриминационный характер и возможности картографирования пространственных объектов, являются ключевыми для производительности. Модель FC, основанная на пикселях, является наименьшей способной генерировать ландшафты, композиция и структура которых похожи на целевые. Подтверждение результатов что для наилучшей производительности модели, которые могут явно использовать соседние пространства на входных признаках формируют ландшафт в целом, а не по пикселям.
Кроме того, наиболее производительными моделями являются те используя дискриминационные потери, а не простые метрики ошибок на пиксель. Дальнейшая оценка с недостаточной сегментарностью и Надзорные ландшафты также приводят к аналогичным результатам. Это указывает на то, что выводы не зависят от процесса сегментации, используемого для расчета ландшафтных метрик.
Обобщаемость модели Базовые значения и две модели, представляющие предлагаемый подход сопоставляются более чем по 3 моделям. Взаимосвязь между усредненными метриками, метки перехода целевых и генерируемых ландшафтов. Различные испытательные комплекты полностью рандомизированный набор тестов хорошо представлен данными по обучению. Межконтинентальный набор имеет выборку мест на Американском континенте для моделей, прошедших обучение в Азии, Европе и Африке. Промежуточные расположены на расстоянии не менее 100 км от ближайшего места, используемого для обучения.
Второй эксперимент
В нашем втором эксперименте мы сравнили наш подход и базовую линию на испытательном комплексе, которая нечетко представлена следующим образом из-за большого расстояния между образцами, некоторая экстраполяция происходит в момент прогнозирования. Показатели ландшафтного уровня корреляция, сформированная в соответствии с целью предлагаемой модели и базовой линией. Предлагаемые модели GAN превосходят простой базовый метод FC. Мы наблюдаем, что все модели распадаются по мере того, как образцы испытательного комплекта находятся дальше от мест расположения поездов.
Производительность модели FC снижается. По крайней мере, с расстоянием, этого следует ожидать от модели, которая не страдает от переустановки. И чем больше сложные GAN модели сильно разлагаются при экстраполяции. В то время как модель GAN 7 немного превосходит старую модель на полностью рандомном испытательном комплекте и тесте на короткое расстояние, производительность становится аналогичной на более жестком испытательном комплекте. Это указывает на некоторую степень переоборудования для мест проведения поездов.
Продолжение следует.
