Enseñar a un satélite de observación de la Tierra a saber lo que ve


Habilitación y soporte

25/05/2022
156 puntos de vista
7 gustos

Durante décadas, los satélites de observación de la Tierra han estado monitoreando nuestro planeta natal en constante cambio; el siguiente camino es permitirles reconocer lo que ven. El último desafío público para la comunidad de aprendizaje automático de la ESA Equipo de Conceptos Avanzados es entrenar software satelital para identificar características dentro de las imágenes que adquiere, y el equipo ganador tendrá la oportunidad única de cargar su solución en el nanosatélite OPS-SAT de la ESA y probarlo en órbita.

OPS-SAT

“Un satélite que aprende a interpretar sus datos sería mucho más autónomo y eficiente”, comenta Marcus Märtens, experto científico en crowdsourcing de ACT. “Podrá tomar decisiones sin tener que depender continuamente de la supervisión humana, sabiendo, por ejemplo, que las imágenes de los ríos o los campos agrícolas deben descargarse al suelo, pero otras pueden descargarse de manera segura para conservar la escasa memoria a bordo”.

La experta en computación perimetral Gabriele Meoni de la ESA Ф-laboratorio en ESRÍNcentrado en la Observación de la Tierra -que ha desarrollado este desafío junto con ACT- explica: “Los aviones equipados con IA de la ESA Ф-sat-1a bordo del CubeSat de Federated Satellite Systems (FSSCat), ya ha demostrado los beneficios de la IA a bordo: es capaz de detectar imágenes llenas de nubes y apartarlas.

Clases de mosaico

“Con nuestro nuevo concurso ‘caso OPS-SAT’, buscamos llevar este enfoque más allá. Los equipos participantes reciben 26 imágenes de tamaño completo adquiridas por el OPS-SAT CubeSat, que incluyen pequeños cultivos de 200 x 200 píxeles o ‘mosaicos’ identificados con una de las ocho clasificaciones diferentes: nieve, nube, natural, río, montaña, agua, agrícola o Hielo: con un total de diez ejemplos de cada tipo, que representan una línea de base para la identificación de características”.

Dario Izzo, al frente de ACT, dice: “Este desafío es un ejemplo de ‘aprendizaje de pocas oportunidades’ de IA. Como humanos, no tenemos que ver muchos gatos para saber qué es o no un gato, solo unos pocos vistazos serán suficientes. Lo que se necesita para futuras misiones espaciales es un sistema de IA que pueda formar un concepto a partir de solo ejemplos limitados. Este es un problema muy desafiante y moderno desde el punto de vista de la IA, y no existe una forma comúnmente reconocida de lograrlo”.

imagen OPS-SAT

Gabriele comenta: “Lo que los equipos tienen que idear es una forma de entrenar una red neuronal estandarizada del tamaño de un satélite para identificar con precisión un conjunto adicional de mosaicos de imágenes que hemos preparado a partir de las imágenes. El desafío es lograr esto con el conjunto relativamente escaso de ejemplos que les damos. La ruta preferida en el aprendizaje automático es utilizar grandes cantidades de datos, lo que significa miles o incluso millones de imágenes en la práctica, para entrenar redes neuronales”.

El desafío se basa en la ESA OPS-SAT misión, lanzada en 2019 como un laboratorio de software volador que también es un satélite de observación de la Tierra en funcionamiento. A pesar de ser más pequeña que una caja de zapatos, con un tamaño de solo 30x10x10 cm, esta misión de clase CubeSat alberga una computadora experimental que es 10 veces más poderosa que la de cualquier misión anterior de la ESA. El conjunto de datos que reciben los equipos serán imágenes sin procesar y sin procesar del generador de imágenes de OPS-SAT, incluidos los mosaicos anotados.

Este es el último de una serie de concursos públicos dirigidos a la comunidad de IA y aprendizaje automático y alojados en ACT’s sitio web de Kelvin.

Dario explica: “Esto es diferente de lo que había antes porque es un desafío deliberadamente centrado en los datos. Los equipos no tienen que desarrollar un modelo de software, porque éste ya viene en forma de red neuronal a bordo del satélite. Lo que tienen que hacer es idear una forma de entrenar esta red neuronal para que pueda aprender a clasificar los mosaicos de imágenes de manera efectiva. Deben preguntarse: ¿cómo podemos presentar los datos para que la red neuronal se adapte de la mejor manera posible?

OPS-SAT en órbita

Marcus agrega: “El desafío tiene muchas limitaciones, encaja con la idea de operar en el espacio y lleva el proceso de toma de decisiones al borde, a la órbita a bordo del satélite, tanto como sea posible. Es un desafío muy experimental y arriesgado, con mucho espacio para la interpretación, pero creemos que es posible y esperamos ver lo que obtenemos».

Para obtener más información sobre el desafío y cómo participar, haga clic en aquí. La competición comienza el viernes 1 de julio.



Publicación original

Enseñar a un satélite de observación de la Tierra a saber lo que ve
× +info?
A %d blogueros les gusta esto: