我们虽然具有卫星图像和绘图软件，但是制作一张准确的地图仍是一项艰苦且费事的工作。许多国家（特别是在是发展中国家）各自都有并未被地图记录的领土。
为了解决问题这一问题，Facebook人工智能研究人员和工程师研发了一种用于深度自学和很弱监督训练的新方法，用作从商业上可取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设备的精确度设置了一个新的标准。此外，由于它需要适应环境道路网的区域差异，因此可以有效地预测全球的道路。
我们不会通过MapWithAI（一组新的专业地图编辑服务和工具）共享模型的详细信息并将数据获取给全球所有的绘图专家们。MapWithAI有一个编辑器界面RapiD，它将容许专家们根据必须精彩查阅、检验和调整地图。
我们用于这个系统在OpenStreetMap上绘制了泰国境内之前并未被记录的30万英里路。如果是让100名绘图专家来手绘这份地图，他们估算会用36个月的时间。而在这一系统的协助下，我们仅用了18个月左右的时间就已完成了这个项目。
精确的地图数据将有助FacebookMarketplace和FacebookLocal等产品更佳地为世界各地的人们获取服务。MapwithAI也合乎我们的核心目标：相连各个用户并保证所有人都会在地图上表明。与FacebookAI的人口密度地图项目一样，该地图也将作为灾害号召、城市规划、研发项目和许多其他用例的资源公开发表。
例如，2018年印度喀拉拉邦被洪水攻击时，MapWithAI减缓了人道主义OpenStreetMap团队（HOT）对该地区的绘图以帮助救援工作。我们期望RapiD需要协助OSM和HOT志愿者们的工作，以绘制出有世界各地的地图。利用新技术构建更加高效、精确的绘制我们从多个角度展开了测绘研究。
在2018年的CVPR上，我们为DeepGlobeSatelliteChallenge获取了数据和竞赛平台，还参予了计算机视觉和机器学习解决方案的评估，以此来提升卫星图像分析的技术水平。我们还在研发关于遥测空间问题的新技术和架构；调查很弱监督自学技术以在全球范围内应用于我们的地图；并与绘图团队合作，大规模测试这些方法以建构出有限于的工具。
道路区分在从卫星图像中萃取信息时，我们对几乎卷积神经网络展开语义拆分并将其和大规模很弱监督自学联系一起。道路检测是语义拆分的必要应用于，其中道路是前景，而图像的其余部分是背景。对于道路分段，我们用于了改动过后的D－LinkNet架构（在全球卫星图像道路萃取比赛中得奖）；然后，矢量化和后处理技术可以将这些输入切换为与地理空间数据库（如OSM）相容的道路矢量。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缺失了人工智能系统确认的道路网。
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。我们找到，对该数据集的训练为泰国获取了高度精确的检验结果，但让其他地区的准确率急剧下降。
由于我们的最后目的是绘制全球道路网，所以我们还研究了如何用于其他地区的OSM数据来训练新的模型。其它有所不同国家之间的地图绘制仍有较小差距。因此，我们研究了新方法以取得更加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创建的检测模型中获得启发，尝试将很弱监督的训练思想从分类切换为语义拆分。
该实验必须在精确数据覆盖范围的区域，然后将OSM数据库的道路向量切换为光栅化语义分段标签。大多数可用作训练道路拆分模型的数据集都偏向于某一特定区域或发展水平。例如，DeepGlobe道路数据集仅有包括来自印度、印度尼西亚和泰国的数据，而SpaceNetRoadExtractionChallenge的数据集仅有注目主要城市。
我们创立的数据集跨越六大洲和各类发展水平，获取比其他可替代方案更好的数据。为了评估更大、更加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。在这些测试集中于，DeepGlobe模型的IoU（一种测量在特定数据集中于检测适当物体准确度的一个标准）得分成0．218，OSM训练模型的平均值IoU得分成0．355。
基于人工智能的工具，可有效地创立新的地图一旦模型辨识出有潜在的道路，我们必须检验该道路的真实性并将其递交给OSM。将这些数据带来社区是我们工作流程的最重要组成部分；我们模型的结果尽管很强劲但并不极致，地方或地区差异不会影响对道路的准确分类。
一些结果错误地跟踪了其他卫星图像特征，例如腊河床、狭小的海滩和运河。此外，该模型有可能去找将近区域内的所有道路，或者有可能忽视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重新加入到有能力的映射器中，这些映射器早已拒绝接受过如何检验模型结果的专业训练。为此，我们用于的是社区地图较为熟知的工具（iD、JavaOpenStreetMap和TaskingManager）。
我们的工作重点是建构RapiD，这是普遍用于的基于Web的iD地图编辑器的开源拓展。此外，我们建构了一个系统，它不会将模型的结果与OSM中有数的数据结合。这个过程称作拆分，它们不会建议如何将新的道路与现有数据结合，并避免用建议道路覆盖面积现有道路数据。我们期望RapiD需要让社区地图的人们为他们自己的用例改良和利用这些工具。
RapiD编辑器容许稿件者可视化混合道路，引人注目表明新的变更的道路，并用于新的命令和快捷方式继续执行最少见的数据清扫任务，例如调整道路的分类以适应环境周边环境。因为我们拓展了现有的编辑工具iD，所以映射器需要用于熟知的工具来处置新的数据。为了保证向OSM递交高质量的数据，我们通过完整性检查来找到模型结果的潜在问题。
地图界领先者的早期对系统鼓舞人心“该工具在建议机器分解的功能和手动同构之间获得了很好的均衡。对iD的调整及减少的快捷键使其充足强劲，不足以符合那些想随便用于它的地图制作者的市场需求，”OSM的长年撰稿人MartijnvanExel说。
“这认同不会沦为OSM未来的关键部分，我们总有一天会绘制世界，并在没机器协助的情况下展开绘制，重点是要寻找绘制的最佳点。OSM是一个人物项目，地图体现了地图制作者的兴趣、技能和偏向等。”“在我看来，RapiD最独有的优势在于它可以用作世界上最简单的地理区域，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者用作具备高度发达基础设施的区域。在许多道路没具体界定和确保的发展中国家（例如非洲、东南亚、拉丁美洲），即使是接受最差训练的人也很难辨识并对其展开准确的分类，”共享单车行业的测绘专家DmitryKuzhanov说道。“RapiD是向前迈进的最重要一步，因为它将人工智能与人类天生具备的智慧结合。
我们人类依然参予其中，但结果却显得更为有效地，”Mapillary的战略合作伙伴经理EdoardoNeerhut说道。总而言之，适合的工具可以优化地图、减低繁复和耗时的道路绘制工作，提升道路绘制的准确性、并为辨识最佳道路获取自由选择。获取不影响绘图专家能力和判断力的工具十分最重要，我们将根据这些专家的对系统不断改进RapiD，以使制作过程更为成功。
我们坚信最后的RapiD将有助提升卫星图像的绘图效果。
本文来源：kaiyun下载app下载安装手机版-www.ynthwj.com
您当前位置 :