Tilbake til søkeresultatene

BIA-Brukerstyrt innovasjonsarena

ATELIER-EO: Automated machine learning framework tailored to Earth Observation

Alternativ tittel: ATELIER-EO: Automatisert maskinlærings-rammeverk skreddersydd til jordobservasjon

Tildelt: kr 6,9 mill.

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.

Science and Technology AS (ST) is a young company specialised in the development of services using Artificial Intelligence (AI) applied to EO and onboard processing systems for satellites. Most notably, we focus on the efficient use of satellite data for sustainable EO services. The share of AI is continuously growing in ST’s portfolio. The company has ample experience in the execution of large scientific data processing and intelligent software application projects for both ESA, EU, and national clients within, but not limited to, the domains of forestry (e.g. disease detection, deforestation, tree species) and ice sheet monitoring (e.g. calving front lines, mapping of supraglacial lakes, snowpack properties). DL has already shown great success in the areas mentioned above, despite two major bottlenecks: limited EO-specific domain knowledge within the DL field (and vice versa, limited DL knowledge in the EO field), and a long time to market. Together with the large amount of data often required, these bottlenecks currently limit ST’s commercial opportunities and the adoption of AI within the EO field both in Norway and internationally. This R&D project aims at extending and streamlining ST’s current DL technology stack, transforming it into an EO-specific, AutoML solution. Within this context, AutoML automates the tasks of applying ML to real-world problems, covering a complete pipeline from the raw dataset to the deployable machine learning model. Critical milestones of this project are related to the research required to reach the goals described above and incorporated in the progress plan.

Budsjettformål:

BIA-Brukerstyrt innovasjonsarena