近年、コンピューター ビジョンの進歩により、研究者、第一対応者、および政府は、全球の衛星画像を処理して地球と地球への影響を理解するという困難な問題に取り組むことができるようになりました。 最近リリースされた AWS Amazon SageMaker の地理空間機能 衛星画像と地理空間の最先端の機械学習 (ML) モデルを提供し、これらのタイプのユースケースの障壁を減らします。 詳細については、次を参照してください。 プレビュー: Amazon SageMaker を使用して、地理空間データを使用して ML モデルを構築、トレーニング、デプロイする.
ファーストレスポンダーを含む多くの機関は、これらの製品を使用して、大規模な状況認識を取得し、自然災害に見舞われた地域での救援活動を優先しています。 多くの場合、これらの機関は低高度および衛星ソースからの災害画像を扱っており、このデータは多くの場合、ラベルが付けられておらず、使用が困難です。 ハリケーンや山火事が直撃した都市の衛星画像を見ると、最先端のコンピューター ビジョン モデルのパフォーマンスが低下することがよくあります。 これらのデータセットが不足しているため、最先端の ML モデルでさえ、標準的な FEMA 災害分類を予測するために必要な精度と精度を提供できないことがよくあります。
地理空間データセットには、緯度と経度の座標、タイムスタンプなどの有用なメタデータが含まれており、これらの画像のコンテキストを提供できます。 これは、災害現場の地理空間 ML の精度を向上させるのに特に役立ちます。これらの画像は本質的に乱雑で混沌としているからです。 建物は長方形ではなくなり、植生は被害を受け、線形の道路は洪水や土砂崩れによって中断されています。 これらの大規模なデータセットのラベル付けは、費用がかかり、手作業で時間がかかるため、画像のラベル付けと注釈を自動化できる ML モデルの開発が重要です。
このモデルをトレーニングするには、ラベル付けされたグラウンド トゥルース サブセットが必要です。 低高度災害画像(LADI)データセット. このデータセットは、2015 年から 2019 年までのさまざまな災害対応を支援するために Civil Air Patrol によって収集された、人間と機械による注釈付きの空中画像で構成されています。 これらの LADI データセットは、大西洋とメキシコ湾に沿った大西洋のハリケーン シーズンと沿岸州に焦点を当てています。 XNUMX つの重要な違いは、画像と災害関連の特徴の低高度、斜めの視点です。これらは、コンピューター ビジョンのベンチマークとデータセットではめったに取り上げられません。 チームは、洪水、がれき、火と煙、または地滑りなどの損害に対して既存の FEMA カテゴリを使用し、ラベル カテゴリを標準化しました。 その後、ソリューションは残りのトレーニング データで予測を行い、信頼性の低い結果を人によるレビューにルーティングすることができます。
この投稿では、ソリューションの設計と実装、ベスト プラクティス、およびシステム アーキテクチャの主要コンポーネントについて説明します。
ソリューションの概要
簡単に言うと、ソリューションには XNUMX つのパイプラインの構築が含まれていました。
- データパイプライン – 画像のメタデータを抽出します
- 機械学習パイプライン – 画像の分類とラベル付け
- 人間参加型のレビュー パイプライン – 人間のチームを使用して結果をレビューします
次の図は、ソリューションのアーキテクチャを示しています。
このようなラベリング システムの性質を考慮して、サーバーレス アーキテクチャを使用することで、過剰なプロビジョニングを行わずに取り込みスパイクを処理できる、水平方向にスケーラブルなアーキテクチャを設計しました。 からの XNUMX 対多のパターンを使用します。 Amazon シンプル キュー サービス (Amazon SQS) へ AWSラムダ これらの摂取スパイクをサポートするために複数の場所で、 回復力の提供.
処理に SQS キューを使用する Amazon シンプル ストレージ サービス (Amazon S3) イベントは、ダウンストリーム処理 (この場合は Lambda 関数) の同時実行性を制御し、データの着信スパイクを処理するのに役立ちます。 着信メッセージのキューイングは、ダウンストリームで障害が発生した場合のバッファ ストレージとしても機能します。
高度な並列ニーズを考慮して、画像の処理に Lambda を選択しました。 Lambda は、サーバーのプロビジョニングや管理、ワークロード対応のクラスター スケーリング ロジックの作成、イベント統合の維持、およびランタイムの管理を行わずにコードを実行できるサーバーレス コンピューティング サービスです。
を使用しております AmazonOpenSearchサービス スケーラブルで高速な検索と統合された視覚化ツールである OpenSearch Dashboards を活用するための中央データ ストアとして。 これにより、再コンパイルや再スケーリングを行うことなく、スキーマの進化を処理することなく、画像にコンテキストを繰り返し追加できます。
Amazonの再認識 実績のある高度にスケーラブルなディープ ラーニング テクノロジを使用して、画像およびビデオ分析をアプリケーションに簡単に追加できます。 Amazon Rekognition を使用すると、検出されたオブジェクトの適切なベースラインが得られます。
次のセクションでは、各パイプラインについて詳しく説明します。
データパイプライン
次の図は、データ パイプラインのワークフローを示しています。
LADI データ パイプラインは、 FEMA 共通警告プロトコル (CAP) S3 バケットに。 画像を生データ バケットに取り込むと、画像は次の XNUMX つのステップでほぼリアルタイムで処理されます。
- S3 バケットは、すべてのオブジェクト作成のイベント通知をトリガーし、取り込まれたイメージごとに SQS キューにメッセージを作成します。
- SQS キューは、イメージの前処理 Lambda 関数を同時に呼び出します。
Lambda 関数は、次の前処理手順を実行します。
- 各画像の UUID を計算し、各画像に一意の識別子を提供します。 この ID は、ライフサイクル全体でイメージを識別します。
- GPS 座標、画像サイズ、GIS 情報、S3 の場所などのメタデータを画像から抽出し、OpenSearch に保存します。
- FIPS コードに対するルックアップに基づいて、関数は画像をキュレートされたデータ S3 バケットに移動します。 イメージの FIPS 州コード/FIPS 国コード/年/月でデータを分割します。
機械学習パイプライン
ML パイプラインは、データ パイプライン ステップでキュレートされたデータ S3 バケットに到着する画像から開始します。これにより、次のステップがトリガーされます。
- Amazon S3 は、キュレートされたデータ S3 バケットで作成されたオブジェクトごとに別の SQS キューにメッセージを生成します。
- SQS キューは同時に Lambda 関数をトリガーして、画像に対して ML 推論ジョブを実行します。
Lambda 関数は次のアクションを実行します。
- オブジェクト検出のために各画像を Amazon Rekognition に送信し、返されたラベルとそれぞれの信頼スコアを保存します。
- Amazon Rekognition の出力を入力パラメータに構成します。 アマゾンセージメーカー マルチモデル エンドポイント。 このエンドポイントは、特定の一連の損傷ラベル用にトレーニングされた分類子のアンサンブルをホストします。
- SageMaker エンドポイントの結果をに渡します Amazon拡張AI (Amazon A2I)。
次の図は、パイプラインのワークフローを示しています。
人間参加型のレビュー パイプライン
次の図は、人間参加型 (HIL) パイプラインを示しています。
Amazon A2I を使用すると、モデルの信頼度が低い予測が得られた場合に、プライベート チームによる人間によるレビューをトリガーするしきい値を設定できます。 Amazon A2I を使用して、モデルの予測を継続的に監査することもできます。 ワークフローの手順は次のとおりです。
- Amazon A2I は、信頼性の高い予測を OpenSearch Service にルーティングし、画像のラベル データを更新します。
- Amazon A2I は、信頼度の低い予測をプライベート チームにルーティングして、画像に手動で注釈を付けます。
- 人間のレビュー担当者がアノテーションを完成させ、HIL 出力 S3 バケットに格納される人間によるアノテーション出力ファイルを生成します。
- HIL 出力 S3 バケットは、人間の注釈出力を解析し、OpenSearch サービスで画像のデータを更新する Lambda 関数をトリガーします。
ヒューマン アノテーションの結果をデータ ストアに戻すことで、アンサンブル モデルを再トレーニングし、モデルの精度を繰り返し改善することができます。
高品質の結果が OpenSearch Service に保存されるようになったので、REST API を使用して地理空間検索と時間検索を実行できます。 アマゾンAPIゲートウェイ そしてジオサーバー。 OpenSearch ダッシュボードを使用すると、ユーザーはこのデータセットを使用して分析を検索して実行することもできます。
結果
次のコードは、結果の例を示しています。
この新しいパイプラインを使用して、まだ完全に機能していないモデルのための人間のバックストップを作成します。 この新しい ML パイプラインは、 Civil Air Patrol Image Filter マイクロサービス これにより、プエルトリコの民間航空パトロールの画像をフィルタリングできます。 これにより、最初の対応者は、ハリケーンに続く被害の範囲とその被害に関連する画像を表示できます。 AWS データ ラボ、AWS オープン データ プログラム、Amazon 災害対応チーム、および AWS ヒューマン イン ザ ループ チームは、顧客と協力して、オープン データに保存されている民間航空パトロール データの分析に使用できるオープンソース パイプラインを開発しました。自然災害に続いてオンデマンドでレジストリをプログラムします。 パイプライン アーキテクチャの詳細と、コラボレーションと影響の概要については、ビデオをご覧ください。 Amazon Augmented AI、AWS Open Data Program、AWS Snowball による災害対応に焦点を当てる.
まとめ
気候変動により暴風雨や山火事の頻度と強度が増し続けているため、ML を使用してこれらのイベントが地域コミュニティに与える影響を理解することの重要性を引き続き認識しています。 これらの新しいツールは、災害対応の取り組みを加速し、これらのイベント後の分析からのデータを使用して、アクティブ ラーニングでこれらのモデルの予測精度を向上させることができます。 これらの新しい ML モデルは、データ アノテーションを自動化することができます。これにより、損傷ラベルを地図データに重ね合わせて、これらの各イベントから損傷の程度を推測できます。 その累積データは、将来の災害イベントの被害を予測する能力を向上させるのにも役立ち、緩和戦略を知らせることができます. これにより、意思決定者に、これらの新たな環境の脅威に対処するためのデータ駆動型のポリシーを開発するために必要な情報を提供することで、コミュニティ、経済、生態系の回復力を向上させることができます。
このブログ投稿では、衛星画像でのコンピューター ビジョンの使用について説明しました。 このソリューションは、独自のニーズに合わせてカスタマイズできるリファレンス アーキテクチャまたはクイック スタート ガイドとなることを目的としています。
試してみて、コメント セクションにフィードバックを残して、これがユース ケースをどのように解決したかをお知らせください。 詳細については、次を参照してください。 Amazon SageMaker の地理空間機能.
著者について
ヴァムシ クリシュナ エナボタラ AWS の上級応用 AI スペシャリスト アーキテクトです。 彼は、さまざまなセクターの顧客と協力して、影響力の大きいデータ、分析、および機械学習のイニシアチブを加速させています。 AI と ML のレコメンデーション システム、NLP、コンピューター ビジョンの分野に情熱を注いでいます。 仕事以外では、Vamshi は RC 愛好家であり、RC 機器 (飛行機、車、ドローン) を組み立て、ガーデニングも楽しんでいます。
モーガン・ダットン Amazon Augmented AI および Amazon SageMaker Ground Truth チームのシニア テクニカル プログラム マネージャーです。 彼女は企業、教育機関、公共部門の顧客と協力して、機械学習とヒューマン イン ザ ループ ML サービスの採用を加速しています。
サンディープ・ヴェルマ AWS のシニア プロトタイピング アーキテクトです。 彼は顧客の課題を深く掘り下げ、顧客がイノベーションを加速するためのプロトタイプを構築することを楽しんでいます。 彼は AI/ML のバックグラウンドを持ち、New Knowledge の創設者であり、一般的にテクノロジーに情熱を注いでいます。 余暇には、家族と旅行やスキーを楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/accelerate-disaster-response-with-computer-vision-for-satellite-imagery-using-amazon-sagemaker-and-amazon-augmented-ai/
- 100
- 7
- 98
- a
- 能力
- できる
- 私たちについて
- アカデミック
- 加速する
- 精度
- 行動
- アクティブ
- 使徒行伝
- 住所
- 養子縁組
- 進歩
- 利点
- に対して
- 機関
- AI
- AI / ML
- 空気
- すべて
- ことができます
- Amazon
- Amazon拡張AI
- Amazonの再認識
- アマゾンセージメーカー
- Amazon SageMakerグラウンドトゥルース
- 分析
- 分析
- 分析論
- 分析します
- および
- 別の
- API
- 適用された
- 応用AI
- 建築
- エリア
- 関連する
- 監査
- 増強された
- 自動化する
- 認知度
- AWS
- バック
- 背景
- バックストップ
- 障壁
- ベースライン
- なぜなら
- ベンチマーク
- BEST
- ベストプラクティス
- ブログ
- バッファ
- ビルド
- 建物
- キャップ
- 自動車
- 場合
- 例
- カテゴリ
- 中央の
- 課題
- 挑戦
- 変化する
- チェック
- 選んだ
- 市町村
- 気候
- 気候変動
- クラスタ
- コード
- 環境、テクノロジーを推奨
- 注釈
- コマンドと
- コミュニティ
- 完了
- コンポーネント
- 計算
- コンピュータ
- Computer Vision
- 信頼
- 含む
- コンテキスト
- 続ける
- 続ける
- コントロール
- 作ります
- 作成した
- 作成
- 創作
- 重大な
- キュレーション
- 顧客
- Customers
- カスタマイズ
- ダッシュボード
- データ
- データ駆動型の
- データセット
- 取引
- 決定を下す人
- 深いです
- 深い学習
- 配信する
- 需要
- 展開します
- 説明する
- 設計
- 設計
- 詳細
- 検出された
- 検出
- 開発する
- 開発
- 異なります
- 難しい
- 災害
- 災害
- 議論する
- ドローン
- 各
- 経済
- 生態系
- 努力
- 新興の
- 使用可能
- 可能
- エンドポイント
- Enterprise
- 熱狂者
- 全体
- 環境の
- 装置
- 特に
- さらに
- イベント
- イベント
- 進化
- 例
- 既存の
- 高価な
- 抽出物
- 家族
- スピーディー
- 特集
- 特徴
- フィードバック
- File
- filter
- フィルタリング
- 火災
- 名
- フォーカス
- フォロー中
- 次
- AIとMoku
- 無料版
- 周波数
- から
- 完全に
- function
- 機能
- 未来
- 利得
- 一般に
- 生成
- 生成
- 地理的
- 地理空間 ML
- 取得する
- 与えられた
- 与え
- グローバル
- 良い
- 政府
- GPS
- 陸上
- ガイド
- ハンドル
- 持って
- 助けます
- 役立つ
- ことができます
- ハイ
- 高品質
- 非常に
- ヒット
- ホスト
- 認定条件
- HTML
- HTTPS
- 人間
- ハリケーン
- ID
- 識別子
- 識別する
- 画像
- 画像
- 影響
- 実装
- 重要性
- 改善します
- 改善
- in
- 含めて
- 入ってくる
- 増える
- 情報
- イニシアチブ
- 革新的手法
- 統合された
- 統合
- 中断された
- 呼び出す
- 関係する
- IT
- ジョブ
- キー
- 知っている
- 知識
- ラボ
- ラベル
- ラベリング
- ラベル
- 欠如
- 着陸
- 大規模
- 学習
- 残す
- ことができます
- wifecycwe
- ローカル
- 場所
- 探して
- 検索
- ロー
- 機械
- 機械学習
- 保守
- make
- 作る
- マネージャー
- 管理する
- マニュアル
- 手動で
- 地図
- ゲレンデマップ
- 大規模な
- メッセージ
- メッセージ
- Mexico
- 緩和
- ML
- モデル
- 他には?
- 移動
- マルチモデル エンドポイント
- の試合に
- ナチュラル
- 自然
- 必要
- ニーズ
- 新作
- NLP
- 通知
- オブジェクト
- オブジェクト検出
- オブジェクト
- 海洋
- オファリング
- 継続
- 開いた
- 開いているデータ
- オープンソース
- 外側
- 概要
- 自分の
- 並列シミュレーションの設定
- パラメータ
- 情熱的な
- パターン
- 実行する
- 視点
- パイプライン
- 惑星
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポスト
- プラクティス
- 精度
- 予測する
- 予測
- 予測
- 優先順位をつける
- プライベート
- 問題
- プロセス
- 処理済み
- 処理
- 生産
- 演奏曲目
- プロトタイプ
- プロトタイピング
- 実績のある
- 提供します
- 提供
- 公共
- プエルト
- プエルトリコ
- 置きます
- クイック
- Raw
- 最近
- 最近
- おすすめ
- 縮小
- レジストリ
- リリース
- 救済
- の提出が必要です
- 研究者
- 回復力
- それらの
- 応答
- REST
- 結果
- レビュー
- RICO
- ルート
- ルート
- ラン
- セージメーカー
- 衛星
- ド電源のデ
- スケーリング
- シーン
- を検索
- 季節
- セクション
- セクション
- セクター
- セクター
- シニア
- サーバレス
- サーバー
- サービス
- サービス
- セット
- 作品
- 簡単な拡張で
- サイズ
- スモーク
- Snapshot
- 溶液
- ソース
- 専門家
- 特定の
- スパイク
- 標準
- start
- 開始
- 最先端の
- 米国
- 手順
- ステップ
- ストレージ利用料
- 店舗
- 保存され
- 嵐
- 作戦
- そのような
- サポート
- システム
- 取る
- チーム
- チーム
- テク
- 技術的
- テクノロジー
- 情報
- 脅威
- 三
- 時間
- 時間がかかる
- 〜へ
- ツール
- 豊富なツール群
- トレーニング
- 訓練された
- トレーニング
- 旅行
- トリガー
- 順番
- わかる
- ユニーク
- 更新版
- 更新
- us
- つかいます
- 使用事例
- users
- さまざまな
- 、
- ビデオ
- 詳しく見る
- ビジョン
- 可視化
- which
- 意志
- 無し
- 仕事
- 働いていました
- 作品
- でしょう
- 年
- 収量
- You
- あなたの
- ユーチューブ
- ゼファーネット