网上药店
您现在的位置: 坎帕拉  >> 坎帕拉旅游 >> 正文 >> 正文

ConvNet卫星图像弱监督免费

来源:坎帕拉 时间:2019/11/1

图灵TOPIA

作者:SaikatBasu

编译:李翔宇,刘静

图灵联邦编辑部出品

即使使用了卫星图像和制图软件,现如今绘制精确的地图仍然是一个艰苦、耗时、耗手工的过程。许多地区——特别是发展中国家——基本上仍未绘制精准的地图。

为了缩小这一差距,Facebook人工智能研究人员和工程师在其官方博客介绍了一种新方法:利用深度学习和弱监督训练,从商业上可用的高分辨率卫星图像预测道路网络。由此产生的模型达成了新的SOTA标准,而且它能够适应道路网络中的区域差异,可以有效地预测全球的街道。

Facebook现在通过MapWithAI(一组新的专业地图编辑服务和工具)分享他们模型的详细信息并将数据提供给全球绘图社区。MapWithAI包含一个编辑器界面RapiD,它允许绘图专家根据需要轻松查看、验证和调整地图。

以下是博文具体内容:

我们用这个系统在开放街道地图(OSM)中绘制了泰国所有以前没有地图的超过30万英里的道路。这项工作归功于全社区的努力,旨在创建免费的、可编辑的世界地图。我们仅用18个月就完成了这项工作,如果要名绘图专家来手工做这项工作,需要一倍的时间(36个月),甚至更多。

准确的地图数据帮助我们更好地为各地的人们提供产品,如FacebookMarketplace和FacebookLocal。AI地图也符合我们的核心目标:连接每个人,确保每个人都在地图上。

与Facebook人工智能的人口密度地图项目一样,这些地图也将作为灾难响应、城市规划、开发项目和许多其他用例的资源公开可用。例如,当年印度喀拉拉邦发生洪水时,人道主义开放街道地图(HOT)团队(human-OpenStreetMapTeam,简称HOT)加快了该地区的人工智能地图绘制,以协助救援工作。我们希望RapiD能够加速OSM和HOTvolunteer的工作,创建免费的全球区域地图。

图1:要使用RapiD,用户可以选择一条道路将其带到地图上。在提交给OSM之前,还可以根据需要对其进行进一步编辑。白线代表现有的OSM道路。洋红色线代表RapiD的预测。Maxar卫星图像用于此和下一个图像作为背景。

利用新技术实现更高效、准确的地图绘制

我们通过几个方面的工作推进了地图研究。在年CVPR大会上,我们帮助组织了“深度地球卫星挑战赛”,通过提供数据集和竞赛平台来主办和评估计算机视觉和机器学习解决方案,推动了卫星图像分析的最新水平。我们还在开发适合遥感问题空间的新学习技术和架构;以在全球范围内应用我们的路线图工作;并与我们的绘图团队合作,对这些方法进行大规模测试并构建正确的工具。

道路分割

在从卫星图像中提取道路时,我们利用了最近在使用完全卷积神经网络与大规模弱监督学习相结合进行语义分割的最新研究成果。道路检测是语义分割的直接应用,其中道路是前景,其余的图像是背景。

如下图所示,此过程的输出是栅格化地图,显示模型可以自信地预测输入卫星图像的每个像素是否为道路。对于我们的道路分割,我们使用了D-LinkNet架构的修改版本,这个版本曾在DeepGlobeSatelliteRoadExtractionChallenge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。

图2:左:分割模型逐像素预测结果;明亮的品红色意味着像素属于道路的概率更高。右:矢量化道路数据与现有OSM道路(白色)的混淆。(Maxar提供的卫星图像。)

具有弱监督训练的全球规模

作为泰国道路测绘项目的一部分,我们让人类专家对人工智能系统识别的道路网络进行审查和纠正。然后,我们使用这些手动修正的地图作为模型的训练数据。泰国项目绘制了该国的整个道路网络,因此我们可以确信数据的准确性和完整性。

我们发现,在该数据集上的训练为泰国提供了非常准确的验证结果,但对其他地区的准确性急剧下降。由于该项目的目标是能够绘制全球道路图,我们研究了使用其他地区的额外OSM数据来训练新模型的方法。

许多其他国家的地图与完整的地图相比仍然有很大的差距;因此,我们探索了获取高质量、地域多样化的训练数据的新方法。从之前对弱监督图像分类的研究和在OSM数据上建立检测模型的训练中得到启发,我们尝试将这些弱监督训练思想从分类转化为语义分割。

本实验需要识别数据覆盖范围足够准确的区域,然后将OSM数据库的道路矢量转换为栅格化的语义分割标签。对于这两项挑战,我们都采取了一种直接的方法,即首先生成不完美的噪声训练数据。

我们收集的训练数据是一组×像素的图块,分辨率约为每像素24英寸。我们丢弃了地图上少于25条道路的图块,因为我们发现这些图块通常只包含主要的道路(没有较小的道路的例子,这些小的道路很难正确标注)。对于每个剩余的图块,我们对道路向量进行栅格化,并使用生成的掩模作为训练标签。

为了达到与DeepGlobe数据集相同的分辨率,我们随机地将每张图像裁剪为×像素,从而产生了大约万块图块,覆盖了70多万平方英里的地形。结果是DeepGlobe数据集覆盖的大约平方英里的面积扩大了0倍。为了从这些道路矢量创建分割掩码,我们简单地将每个道路矢量栅格化为5个像素。

语义分割标签倾向于像素完美,但我们使用此启发式创建的标签则不然。道路的宽度和轮廓在这些光栅化矢量无法完美捕捉的方式上有所不同。此外,全球不同地区的道路是从不同的卫星图像源绘制的,因此并不总是与我们用于训练数据的图像完全对齐。

图3:可视化训练数据的地理分布,为OSM道路分割模型。由于实验时无法获得卫星图像,一些地区从地图上失踪。

仅使用我们数据收集过程中产生的噪声标签,我们就能够产生与许多参加深度地球挑战的参与者具有竞争力的结果。在对DeepGlobechallenge数据集中的训练数据进行微调之后,我们的模型获得了最先进的结果。

比这些微调结果更值得注意的是,即使只在OSM数据上进行训练,该模型在全球范围内也表现良好。大多数可用来训练道路分割模型的数据集都严重偏向于特定的区域或发展水平。例如,深度地球道路数据集只包含来自印度、印度尼西亚和泰国的数据,而SpaceNet道路提取挑战数据集只







































白癜风是缺少铜元素吗
甘露聚糖肽注射液价格是不是很高

转载请注明:http://www.mahuatengg.com/kplly/3455.html