Wetenschappers van het bedrijfsonderzoekslaboratorium van het Amerikaanse leger ontwikkelen een nieuw algoritme dat de beeld- en audio-identificatie kan verbeteren voor het verzamelen van inlichtingen op het slagveld.

U.S. Army Combat Capabilities Development Command Army Research Laboratory-wetenschapper Dr. Michael S. Lee en collega's ontwikkelen een diepgaand lerend algoritme, een snelkoppelingsautoencoder genaamd, die afzonderlijke audioclips en afbeeldingen kan herstellen die zijn beschadigd door verschillende soorten willekeurige ruis.

Wat hun werk onderscheidt van eerdere onderzoeken, is dat ze beter toepasbaar zijn op 1-D-signalen (bijv. menselijke spraak), en testen tegen sterkere geluidsbronnen dan gewoonlijk wordt overwogen, d.w.z., ruis/signaalverhoudingen hoger dan 1,0.

"Deep learning staat erom bekend dat het objecten in afbeeldingen nauwkeurig kan detecteren, maar het is ook in staat om realistisch ogende gegevens te synthetiseren, zoals waargenomen in de recent populaire FaceApp, " zei Lee. "In ons werk, we gebruiken deep learning om een ​​afbeelding te reconstrueren op basis van beperkte invoerinformatie, bijvoorbeeld, met slechts één procent van de pixelkanalen behouden."

Lee zei dat het model van zijn team is getraind met veel gegevens over hoe andere echte foto's eruit zien. en een variant van hun beeldmodel kan worden gebruikt om menselijke spraak te reconstrueren uit ruisende audiosignalen, zelfs wanneer de ruis veel luider is dan het signaal.

Volgens Leen, doel leger toepassingen zijn talrijk, inclusief afluisteren, het demoduleren van communicatie in aanwezigheid van sterke stoorzenders en perceptie van objecten in beeld/video die opzettelijk zijn verduisterd, door duisternis (weinig licht) of door weersomstandigheden zoals mist en regen.

"Op korte termijn, deze technologie zou een 'Zoom/Enhance'-functie kunnen bieden voor inlichtingenanalisten, " zei Lee. "Op de lange termijn, dit type technologie kan naadloos worden geïntegreerd in de hardware van een camera voor een betere beeldkwaliteit in verschillende scenario's, zoals bij weinig licht en mist."

Naast legertoepassingen, Lee merkte op dat ook de commerciële sector van deze technologie zou kunnen profiteren.

"In omgevingen met lage bandbreedte, zoals gebieden ver weg van zendmasten, algoritmen zoals die van ons kunnen voor duidelijkere telefoongesprekken zorgen, Lee zei. "Zelfrijdende auto's kunnen baat hebben bij deze technologie in extreme weerscenario's zoals regen en mist om af te leiden welke objecten voor ons liggen. Commerciële videocamera's zullen kunnen werken in omstandigheden met weinig licht met hogere framesnelheden en/of kortere belichtingstijden."

Dit werk gaat in op uitdagingen binnen het netwerkcommando, Controle, Cross-functioneel team voor communicatie en inlichtingen.

"Een deel van de missie van CCDC ARL is om het rijk van wat mogelijk is te verkennen, ' zei Lee. 'Hier, laten we zien dat naast detectie en classificatie, machine learning kan worden gebruikt voor het ophelderen van zwakke en/of ruisrijke signalen en beelden."

Verhuizen naar de toekomst, Lee en zijn collega's willen onderzoeken hoe deze methode zal werken op gegevenstypen die verder gaan dan menselijke spraak en optische beelden, zoals gegevens van fysieke omgevingssensoren en draadloze communicatie.