《超酷炫！Facebook用深度学习和弱监督学习绘制全球精准道路图.docx》由会员分享，可在线阅读，更多相关《超酷炫！Facebook用深度学习和弱监督学习绘制全球精准道路图.docx（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、超酷炫！Facebook用深度学习和弱监督学习绘制全球精准道路图|SaikatBasu等译者|陆离责编|夕颜出品|AI科技大本营ID:rgznai100导读现如今即使可以借助卫星图像以及绘制软件创立准确的道路图也仍然是一个费时费力的人力加工经过。许多地区十分是在开展中国家也仍是空白。为了缩小这一差距Facebook的人工智能研究人员以及工程师们开发了一种新的方法该方法通过深度学习以及弱监视学习根据商用高分辨率卫星图像来预测道路网络。由此产生的模型为准确程度设定了一个新标准因为它可以较好地适应道路网络中的地区差异有效地预测全球范围内的道路。我们如今正与MapWithAI一套新的专用道路图编辑效劳
2、以及工具共享我们模型的详细细节并向全球的绘制机构提供数据。MapWithAI包含一个编辑器界面RapiD它让道路图专家可以根据自己的需要很方便地查看、校验以及调整道路图。我们使用了MapWithAI系统在Facebook的OpenStreetMapOSM中绘制了泰国所有此前未曾绘制过的道路超过了30万英里这是一项基于社会机构的工作旨在创立免费的、可编辑的世界道路图。我们仅仅花了一年度半的时间就完成这个工程这比有100个绘图专家的团队手工完成这项任务花费的时间减少一半多。准确的绘制数据有助于我们更好地为世界各地的人们提供FacebookMarketplace以及FacebookLocal等技术产
3、品。MapWithAI与Facebook人工智能的populationdensitymaps工程一样这些道路图将为灾难响应、城市规划、开发工程以及许多其他任务提供资源保障。例如在2018年度印度喀拉拉邦遭受洪水灾害时Facebook利用MapWithAI快速地绘制出了该地区的道路图协助了救灾工作。要使用RapiD用户可以在道路图上选择一条道路在提交给OSM系统之前可以根据实际需要对其进展进一步的编辑。白线表示现有的OSM道路紫红线那么表示RapiD的预测结果。选用Maxar卫星的图像作为背景。利用新技术实现更高效、更准确的绘图功能我们已经在几个方面往前推进绘制道路图的研究。在2018年度的CV
4、PR大会上我们帮助组织了DeepGlobe卫星挑战赛DeepGlobeSatelliteChallenge通过提供数据集以及竞赛平台来组织以及评估计算机视觉以及机器学习的解决方案推进了卫星图像分析的最高程度。我们还正在开发新的合适遥感问题空间的学习技术以及架构并研究弱监视学习技术以在全球范围内应用我们的道路绘制工作还在与绘制团队进展合作在全球范围内测试这些用于设计比例以及构造方面的工具。道路分割在从卫星图像中选取道路的经过中我们利用了最近在使用完全卷积神经网络FullyConvolutionalNeuralNetworks进展语义分割同时结合大规模弱监视学习方面的开展成果。道路检测是语义分割方
5、面的应用其中道路是前景图像的其余局部作为背景。如下列图所示经过的输出是一个栅格化的道路图显示了模型怎样预测输入的卫星图像的每个像素是否属于某个道路。对于道路分割我们使用了D-LinkNet架构的修订版本它在DeepGlobe卫星道路获取挑战赛theDeepGlobeSatelliteRoadExtractionChallenge中获胜。向量化以及后处理技术可以获取这些输出并转化为与地理空间数据库如OSM系统兼容的道路向量。左边是分割模型每个像素的预测结果紫红色意味着像素有更高的概率属于道路。右边合并的向量化道路与现有的OSM道路白色卫星图像由Maxar提供用弱监视学习形式在全球范围绘制道路图作
6、为上述泰国道路绘制工程的一局部我们请一些专家检查并修正人工智能系统识别的道路网络。然后我们使用这些手动更正的道路图作为模型的训练数据。这个工程绘制了整个泰国的公路网络因此我们对数据的准确性以及完好性充满了信心。我们发现数据集训练在泰国获得了高精度的验证结果但在其它地区准确性却急剧下降。由于该工程的目的是可以绘制全球的道路图因此我们研究了怎样使用其它地区增加的OSM数据来训练一个新的模型。但是许多其它国家的道路图仍然存在着宏大差距。因此我们探究了获取高质量的、地理多样性的训练数据的新方法。我们借鉴了以往关于弱监视图像分类以及基于OSM数据训练建筑检测模型的工作尝试将这些弱监视学习的思想从分类转换
7、为语义分割。这项实验需要识别具有足够的、准确的数据覆盖率的区域然后将OSM数据库的道路向量转换为栅格化的语义分割标签。对于这两个挑战我们采取了一种直接的方法即首先生成带有噪音的、不太完美的训练数据。我们采集了一组像素为2048x2048的训练数据分辨率约为每像素24英寸。我们放弃了道路图上少于25条路的区域因为我们发现地图上通常只包括一些主要的道路通常没有可以正确标注较短道路的先例。对于剩余的区域我们将道路向量进展栅格化并使用结果标识作为训练标签。为了到达与DeepGlobe数据集一样的分辨率我们随机将每个图像的像素剪裁到1024x1024进而生成了能覆盖到70多万平方英里地理范围的大约180
8、万个区域这个结果是DeepGlobe数据集覆盖的约630平方英里的区域的1000倍。为了从这些道路向量中创立分割标识我们只需将每个道路向量栅格化为5个像素。语义分割标签往往是趋向于像素的但我们用这种探究式的方法所创立的标签却不是这样的。由于道路的宽度以及外形各不一样这些栅格化了的向量无法完全获取这些信息。此外全球不同地区的道路是根据不同的卫星图像源绘制的因此并不总与用于训练数据的图像完全一致。用于OSM道路分割模型的训练数据的地理分布可视化图。由于实验的时候卫星图像是不可用的因此一些区域并未在图中出现仅使用在数据采集经过中产生的噪声标签我们就可以产生与许多DeepGlobe挑战赛介入者不相上下
9、的结果。通过对DeepGlobe挑战数据集中训练数据的微调我们的模型获得了最好的结果。比这些微调的结果更值得注意的是即使只在OSM数据上进展训练模型在全球范围内运行的结果也非常不错。大多数可用于训练道路分割模型的数据集严重地偏向于特定的区域或者开展程度的地区。例如DeepGlobe道路数据集仅包含来自印度、印度尼西亚以及泰国的数据而SpaceNet道路获取挑战赛theSpaceNetRoadExtractionChallenge的数据集仅关注于一些主要的城市。我们创立的数据集跨越了六大洲以及各种开展程度的地区提供的训练数据比其它可用的替代数据要多得多。为了评估更大的、更多样化的数据集对模型的标
10、准化有多大的影响我们评估了OSM训练模型以及DeepGlobe模型在DeepGlobe数据上训练。我们在其它几个数据集拉斯维加斯、巴黎、上海等城市请查阅论文获取详情上对这两个模型进展了评估这些数据集均不在DeepGlobe数据集的地理分布范围内。在这些测试集中DeepGlobe模型的平均结合穿插IoUthemeanIntersectionoverUnion)得分为0.218而OSM训练模型的平均IoU得分为0.355。相比之下这些分数相对改善62%绝对改善13.7%。乌干达的坎帕拉在一个道路图相对绘制较好的地区进展道路获取。从左到右Maxar卫星图像、OSM手动绘制、THA/IND/IDN训练
11、模型、全球OSM训练模型。在DeepGlobe上训练的模型在房屋之间绘制出许多本来不存在的道路而在全球数据上训练的模型表现不错能有效创立全新道路图的AI工具一旦模型识别出潜在的道路我们就需要对其进展验证并提交给OSM。将这些数据提供应社区是一个重要环节我们模型的结果固然很好但并不完美。地区的差异会影响道路分类的结果。一些结果错误地跟踪了卫星图像中的其它特征如干涸的河床、狭窄的海岸线以及运河。此外模型可能无法找到一个区域内的所有道路或可能会忽略连接点以及潜在的道路因此我们的下一步是将模型的结果与有经历的绘图人员结合。为此我们利用了道路图绘制社区里已经熟悉的工具(iD,JavaOpenStreet
12、Map,以及TaskingManager)。我们的工作重点是构建RapiD它是一个应用广泛的基于Web的iD道路图编辑器的开源扩展。此外我们构建了一个系统将模型的结果与OSM中已有的数据结合这一经过称为合并它既可以为怎样将新道路参加到现有的数据提供建议又可以防止模型建议的道路覆盖现有道路数据。我们祈望RapiD可以让道路图绘制社区中的人们根据自己的实际情况来改良并利用这些工具。RapiD编辑器允许通过可视化的方式展现合并的道路并高亮显示新修改的地方还为最常见的数据清理任务使用新的命令以及快捷方式例如调整道路的分类来适应周围的环境。因为我们扩展了现有的编辑工具iD绘图人员可以使用熟悉的工具来处理
13、新的数据。为了确保向OSM提交高质量的数据我们采用了完好性校验来捕获模型结果可能出现的潜在问题。道路图绘制社区的前期反应结果令人鼓舞: “这个工具在建议的机器生成功能以及手动绘制方式之间获得了良好的平衡。它能让道路图绘制者对图上的内容有最后决定权这有助于发现绘制经过中出现的问题。它的优势是绘图人员可以以更具互动性的方式开场绘图。对iD的调整以及添加的快捷键会使其功能更强大足以知足绘制人员的需要长期致力于OSM研究的MartijnvanExel讲道“这必然是OSM将来的一个关键点。没有机器的帮助我们无法绘制道路图更谈不上绘制全世界。窍门是找到那个点。OSM是一个全人类的工程道路图反映了绘制者的兴
14、趣、技能、偏好等。 “在我看来RapiD最独特的优势在于它可用于世界上最复杂的地理环境这些地区对自动化的需求最为迫切。大多数当代的算法、训练数据集以及相关技术都是为那些根底设施高度兴旺的地区而创造的。在开展中国家例如非洲、东南亚、拉丁美洲这些地方的道路没有很好的命名、维护或者是开发即使是最专业的人眼也很难识别以及正确地进展道路特征的分类一位分享车辆地域经理DimitryKuzhanov讲道。 “RapiD是向前迈出的重要一步因为它将人工智能的才能与人类天生具有的智慧以及对关联性的理解力结合了起来。Mapillary的战略合作伙伴经理EdoardoNeerhut这样讲道。总之好的工具可以增强道路
15、图绘制人员的才能减少基于卫星数据绘制道路的繁琐以及耗时的工作进步道路形状的准确性并为识别建议道路提供选项即使绘制者选择不使用这些建议。能提供不受专业绘制者才能以及判断限制的工具很重要。我们将根据这些绘制者的反应不断改良RapiD让它的使用经过更加顺畅。我们相信由此产生的消费才能进步了卫星图像在道路图绘制方面的效率。MapWithAI效劳以及使用体验FacebookTechblogpost机器学习道路预测效果/RapiD绘制道路操作mapwith.ai原文链接s:/ai.facebook/blog/mapping-roads-through-deep-learning-and-weakly-supervised-training/ (*本文为AI科技大本营编译文章转载请联络微信1092722531)精彩推荐 “只讲技术回绝空谈2019AI开发者大会将于9月6日-7日在北京举行这一届AI开发者大会有哪些亮点一线公司的大牛们都在关注什么AI行业的风向是什么2019AI开发者大会倾听大牛共享聚焦技术理论以及万千开发者共成长。大会早鸟票倒计时最后一天速抢进展中.推荐浏览数十篇推荐系统论文被批无法复现你点的每个“在看我都认真当成了喜欢