Совместные проекты Omdena (Часть 2): Мой опыт Omdena

Совместные проекты Omdena (Часть 2): Мой опыт Omdena

Введение

Эта статья содержит краткое изложение последнего проекта Omdena, в котором я и другие сотрудники участвовали. В ней объясняется проблема, структура сотрудничества, вклад и полученные знания.

Название проекта: «Разработка модели искусственного интеллекта для определения местоположения школ в Судане по спутниковым снимкам».

Проблема

Точные данные о местоположении школ имеют решающее значение для Giga, совместной инициативы ЮНИСЕФ и МСЭ, направленной на подключение неподключенных школ по всему миру к Интернету. Это поможет преодолеть цифровой разрыв в мире. Однако во многих странах записи о местонахождении школ часто неточны, неполны или вообще отсутствуют. Традиционные методы выезда на места и составления карты расположения школ не только очень дороги, но и некоторые школы расположены в отдаленных, труднодоступных и небезопасных районах.

Таким образом, миссия этого проекта ИИ состоит в том, чтобы разработать модель (модели) глубокого обучения для точного и всестороннего определения местоположения школ в Судане по спутниковым снимкам высокого разрешения.

Описание набора данных: Школы и внешкольные спутниковые снимки Судана.

Ссылка на подробности проекта: https://omdena.com/projects/omdenalorexgiga/

Структура сотрудничества/решения

Делится на шесть задач.

подготовка данных: включала задачу маркировки данных, когда предоставленный набор данных был аннотирован и помечен с помощью инструмента, называемого полем меток. Он использовался для определения области интересов.

вывод данных: это включало некоторые задачи EDA с python и powerbi. мы также обнаружили школьные шаблоны и важную информацию в наборе данных.

предварительная обработка данных: это включало увеличение данных. Затем размеченные изображения экспортировались в формат COCO. tfRecords также использовался для хранения дополненных изображений.

моделирование: это включало создание модели ML для классификации изображений. Использование VGG, Custom Unet, YOLO v5, моделирование Efficient Det

тестирование: исследована относительно новая область. Код ML для конвейера был протестирован.

сверхвысокое разрешение: GF GAN использовалась для восстановления низкокачественного спутникового изображения путем улучшения цветов и удаления шума.

Мой вклад.

Я внес свой вклад в задачу вывода данных, выполнив EDA, а также в задачу суперразрешения, которая включала использование GF GAN.

Полученные знания:

Я изучил концепции маркировки, в том числе в задачах моделирования. и во всех задачах, в которых я участвовал.

Ссылка на презентацию проекта соавторов: https://www.linkedin.com/posts/oluyede-segun-adedeji-jr-a5550b167_ai-activity-6892838081477644288-zQrQ

Заключение

Я многому научился благодаря этому проекту, который длился восемь недель. Создание масштабируемых реальных решений и моделей искусственного интеллекта было захватывающим. Я рекомендую всем энтузиастам ИИ присоединиться к Omdena.

Ссылка для присоединения к омдене: https://lnkd.in/dyHkSsrH

ПИСАТЕЛЬ: ОЛУЙЕДЕ СЕГУН. А (младший)

профиль на LinkedIn: https://www.linkedin.com/in/oluyede-segun-adedeji-jr-a5550b167/

профиль Twitter: https://twitter.com/oluyedejun1

ТЕГИ: #AI #ComputerVision #machinelearning #COCO #YOLO #omdena