ATELIER-EO Skattefunn

Offentlig prosjektsammendrag

Jordobservasjon dekker alt fra drone- til satellittbilder og har applikasjoner med stor innvirkning på våre dagligliv. Eksempler inkluderer værvarsel, monitorering av skip, monitorering av agrikultur og veldig mye mer. Disse applikasjonene krever enormt mye data, som i praksis må håndteres ved hjelp av automatiserte metoder Dyp læring (DL), den mest suksessfulle grenen av kunstig intelligens (AI), krever både store mengder referansedata og spesialiserte modeller. Dette fører til et problem ettersom man både trenger domene eksperter for datainnsamling og DL experter på for å designe modeller. Så, dersom et lite selskap ønsker å ta i bruk AI for tilpasset kartlegging vil det kreve en sterk tverrfaglig ekspertise og det vil være ekstremt kostbart. Målet med ATERLIER-EO (Automatisert maskinlærings-rammeverk skreddersydd til jordobservasjon) prosjektet er å utvikle en automatisert løsning for maskinlæring anvendt på jordobservasjon. Mer effektive trenings-prosedyrer vil redusere mengden data som kreves, mens automatisert maskinlæring vil redusere den nødvendige DL ekspertisen. Til eksempel er automatiske kartlegginger av veier et utfordrende problem; veier er tynne, og selv om et menneske vet at de skal være koblet sammen kan det være vanskelig for en modell å lære, spesielt dersom trær dekker over veien i bildene. ATELIER-EO skal blant annet håndtere slik kunnskap om sammenkobling, inkorporering av terrengmodeller og håndtering av andre utfordringer som for eksempel skydekke i bildene. Det eneste som kreves vil være referansedata modellen kan trenes på. For å konkludere, ATELIER-EO vil bidra til å automatisk lage tilpassede kart fra satellitt-, fly-, og dronebilder, selv med begrenset data og begrenset menneskelig interaksjon. Dette kommer til å utvide domenene hvor AI kan benyttes, samt redusere kostnaden knyttet til bruk av tilpassede produkter.