从商业上可获得的高分辨率卫星图像预测道路网络

2019-07-26 15:07:20    来源:人工智能网    作者:

我们虽然有着卫星图像和绘图软件,但是制作一张精确的地图仍是一项艰难且费事的工作。许多国家(尤其是发展中国家)各自都有未被地图记录的领土。为了解决这一问题,Facebook人工智能研究人员和工程师开发了一种使用深度学习和弱监督训练的新方法,用于从商业上可获得的高分辨率卫星图像预测道路网络。由此产生的模型为最先进的精确度设置了一个新的标准。此外,由于它能够适应道路网的区域差异,因此可以有效地预测全球的道路。

我们会通过Map With AI(一组新的专业地图编辑服务和工具)分享模型的详细信息并将数据提供给全球所有的绘图专家们。Map With AI有一个编辑器界面RapiD,它将允许专家们根据需要轻松查看、验证和调整地图。

我们使用这个系统在OpenStreetMap上绘出了泰国境内之前未被记录的30万英里路。如果是让100名绘图专家来手绘这份地图,他们估计会用36个月的时间。而在这一系统的帮助下,我们仅用了18个月左右的时间就完成了这个项目。

准确的地图数据将有助于Facebook Marketplace和Facebook Local等产品更好地为世界各地的人们提供服务。Map with AI也符合我们的核心目标:连接各个用户并确保所有人都会在地图上显示。与Facebook AI的人口密度地图项目一样,该地图也将作为灾害响应、城市规划、开发项目和许多其他用例的资源公开。例如,2018年印度喀拉拉邦被洪水袭击时,Map With AI加快了人道主义OpenStreetMap团队(HOT)对该地区的绘图以协助救援工作。我们希望RapiD能够帮助OSM和HOT志愿者们的工作,以绘制出世界各地的地图。

利用新技术实现更高效、准确的绘制

我们从多个角度进行了测绘研究。在2018年的CVPR上,我们为DeepGlobe Satellite Challenge提供了数据和竞赛平台,还参与了计算机视觉和机器学习解决方案的评估,以此来提高卫星图像分析的技术水平。我们还在开发关于遥感空间问题的新技术和架构;调查弱监督学习技术以在全球范围内应用我们的地图;并与绘图团队合作,大规模测试这些方法以创造出适用的工具。

道路划分

在从卫星图像中提取信息时,我们对完全卷积神经网络进行语义分割并将其和大规模弱监督学习联系起来。道路检测是语义分割的直接应用,其中道路是前景,而图像的其余部分是背景。对于道路分段,我们使用了修改过后的D-LinkNet架构(在全球卫星图像道路提取比赛中获奖);然后,矢量化和后处理技术可以将这些输出转换为与地理空间数据库(如OSM)兼容的道路矢量。

全球范围的弱监督训练

作为泰国道路测绘项目的一部分,我们让人类专家审查并纠正了人工智能系统确定的道路网。然后,我们就用这些校正过的地图作为模型的训练数据。在泰国测绘项目中,我们绘制了泰国的整个道路网,因此我们对数据的准确性和完整性都很有把握。我们发现,对该数据集的训练为泰国提供了高度准确的验证结果,但让其他地区的准确率急剧下降。由于我们的最终目的是绘制全球道路网,所以我们还研究了如何使用其他地区的OSM数据来训练新模型。

其它不同国家之间的地图绘制仍有较大差距。因此,我们研究了新方法以获得更多关于地形方面的高质量训练数据。我们从之前关于OSM数据的弱监督图像分类和训练建立的检测模型中得到灵感,尝试将弱监督的训练思想从分类转换为语义分割。该实验需要在准确数据覆盖范围的区域,然后将OSM数据库的道路向量转换为光栅化语义分段标签。

大多数可用于训练道路分割模型的数据集都偏向于某一特定区域或发展水平。例如,DeepGlobe道路数据集仅包含来自印度、印度尼西亚和泰国的数据,而SpaceNet Road Extraction Challenge的数据集仅关注主要城市。我们创建的数据集横跨六大洲和各类发展水平,提供比其他可替代方案更多的数据。为了评估更大、更多样化的数据集是如何影响我们模型的普遍性,我们评估了OSM训练模型以及DeepGlobe模型。我们在其他几个数据集(拉斯维加斯、巴黎、上海等)上也评估了这两个模型。在这些测试集中,DeepGlobe模型的IoU(一种测量在特定数据集中检测相应物体准确度的一个标准)得分为0.218,OSM训练模型的平均IoU得分为0.355。

基于人工智能的工具,可有效创建新地图

一旦模型识别出潜在的道路,我们需要验证该道路的真实性并将其提交给OSM。将这些数据带给社区是我们工作流程的重要组成部分;我们模型的结果尽管很强大但并不完美,地方或地区差异会影响对道路的正确分类。一些结果错误地追踪了其他卫星图像特征,例如干河床、狭窄的海滩和运河。此外,该模型可能找不到区域内的所有道路,或者可能忽略对专业人体映射器而言显而易见的连接点和潜在道路。因此,我们的下一步是将模型的结果加入到有能力的映射器中,这些映射器已经接受过如何验证模型结果的专业训练。为此,我们使用的是社区地图比较熟悉的工具(iD、JavaOpenStreetMap和Tasking Manager)。

我们的工作重点是构建RapiD,这是广泛使用的基于Web的iD地图编辑器的开源扩展。此外,我们构建了一个系统,它会将模型的结果与OSM中已有的数据相结合。这个过程称为合并,它们会建议如何将新道路与现有数据相结合,并防止用建议道路覆盖现有道路数据。我们希望RapiD能够让社区地图的人们为他们自己的用例改进和利用这些工具。

RapiD编辑器允许审阅者可视化混合道路,突出显示新更改的道路,并使用新命令和快捷方式执行最常见的数据清理任务,例如调整道路的分类以适应周边环境。因为我们扩展了现有的编辑工具iD,所以映射器能够使用熟悉的工具来处理新数据。为了确保向OSM提交高质量的数据,我们通过完整性检查来发现模型结果的潜在问题。

地图界领先者的早期反馈鼓舞人心

“该工具在建议机器生成的功能和手动映射之间取得了很好的平衡。对iD的调整及增加的快捷键使其足够强大,足以满足那些想要随意使用它的地图制作者的需求,”OSM的长期撰稿人Martijn van Exel说道。“这肯定会成为OSM未来的关键部分,我们永远不会绘制世界,并在没有机器帮助的情况下进行绘制,重点是要找到绘制的最佳点。OSM是一个人物项目,地图反映了地图制作者的兴趣、技能和倾向等。”

“在我看来,RapiD最独特的优势在于它可以用于世界上最复杂的地理区域,那些地区急需自动化。大多数现代算法、训练集和技术被发明用于具有高度发达基础设施的区域。在许多道路没有明确界定和维护的发展中国家(例如非洲、东南亚、拉丁美洲),即使是受过最好训练的人也很难识别并对其进行正确的分类,”共享单车行业的测绘专家Dmitry Kuzhanov说。

“RapiD是向前迈出的重要一步,因为它将人工智能与人类天生具有的智慧相结合。我们人类仍然参与其中,但结果却变得更加有效,”Mapillary的战略合作伙伴经理Edoardo Neerhut说。

总而言之,合适的工具可以优化地图、减轻繁琐和耗时的道路绘制工作,提高道路绘制的准确性、并为识别最佳道路提供选择。提供不影响绘图专家能力和判断力的工具非常重要,我们将根据这些专家的反馈不断改进RapiD,以使制作过程更加顺利。我们相信最终的RapiD将有助于提高卫星图像的绘图效果。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。