最近小茹姐發現模型根據衛星圖像標記道路特征 使用人工智能豐富數字地圖這個話題相信很多小伙伴們都很感興趣吧,那么今天就帶大家了解下模型根據衛星圖像標記道路特征 使用人工智能豐富數字地圖的具體詳情,那么小茹姐就來給大家說說具體的一些問題吧,希望對大家有所幫助。

麻省理工學院和卡塔爾計算機研究所(QCRI)的研究人員發明了一個模型，該模型使用衛星圖像標記數字地圖中的道路特征，可以幫助改善GPS導航。

向駕駛員顯示有關其路線的更多詳細信息通常可以幫助他們在陌生的位置導航。例如，車道計數可以使GPS系統警告駕駛員偏離或合并車道。合并有關停車位的信息可以幫助駕駛員提前計劃，而繪制自行車道則可以幫助騎自行車的人談判繁忙的城市街道。提供有關道路狀況的最新信息也可以改善救災計劃。

但是，創建詳細的地圖是一項昂貴且耗時的過程，大部分由大型公司(例如Google)完成，這些公司通過綁在引擎蓋上的攝像頭向周圍的車輛發送車輛，以捕獲該地區道路的視頻和圖像。將其與其他數據結合可以創建準確的最新地圖。但是，由于此過程很昂貴，因此世界上的某些地區被忽略了。

一種解決方案是在衛星圖像上釋放機器學習模型(更易于定期獲取和更新)，以自動標記道路特征。但是道路可能會被樹木和建筑物遮擋，這是一項艱巨的任務。麻省理工學院和QCRI研究人員在人工智能促進協會會議上發表的一篇論文中描述了“ RoadTagger”，它使用神經網絡架構的組合來自動預測后面的車道和道路類型(住宅或高速公路)的數量障礙物。

在對20個城市的數字地圖上被遮擋的道路上測試RoadTagger時，該模型對車道號的準確度為77%，對推斷的道路類型的準確度為93%。研究人員還計劃使RoadTagger能夠預測其他特征，例如停車位和自行車道。

“最新的數字地圖來自大公司最關心的地方。如果您在他們不太在意的地方，則在地圖質量方面處于劣勢。”合著者，電機工程和計算機科學系(EECS)的教授Sam Madden說。以及計算機科學與人工智能實驗室(CSAIL)的研究員。“我們的目標是使生成高質量數字地圖的過程自動化，以便可以在任何/地區使用。”

結合CNN和GNN

Madden說，QCRI所在的卡塔爾“不是建造數字地圖的大公司的優先事項”。然而，它正在不斷地建設新的道路，并改善舊的道路，尤其是為主辦2022年FIFA世界杯做準備。

麥登說：“在訪問卡塔爾時，我們經歷了Uber司機無法弄清楚自己要去哪里的經歷，因為地圖太近了，” “如果導航應用程序沒有正確的信息，那么對于諸如車道合并之類的事情，這可能會令人沮喪甚至更糟。”

RoadTagger依賴于通常用于圖像處理任務的卷積神經網絡(CNN)和圖神經網絡(GNN)的新穎組合。GNN在圖中連接的節點之間建立模型關系，并已廣泛用于分析諸如社交網絡和分子動力學之類的事物。該模型是“端到端”的，這意味著它僅饋送原始數據并自動產生輸出，而無需人工干預。

CNN將目標道路的原始衛星圖像作為輸入。GNN將道路分為大約20米的路段，即“平鋪”。每個圖塊都是一個單獨的圖形節點，通過沿道路的線連接。對于每個節點，CNN都會提取道路特征，并與其直接鄰居共享該信息。道路信息會沿著整個圖形傳播，每個節點都會收到其他每個節點有關道路屬性的信息。如果圖像中遮擋了某個圖塊，RoadTagger將使用道路上所有圖塊的信息來預測遮擋的背后。

研究人員說，這種組合架構代表了更像人類的直覺。假設四車道的道路的一部分被樹木遮擋，因此某些圖塊僅顯示兩條車道。人們可以輕易地推測出樹木背后隱藏著兩條車道。傳統的機器學習模型(例如CNN)僅提取單個圖塊的特征，最有可能預測被遮擋的圖塊是一條兩條車道。

他說：“人類可以使用相鄰圖塊中的信息來猜測被遮擋的圖塊中的車道數量，但是網絡無法做到這一點。” “我們的方法試圖模仿人類的自然行為，我們從CNN捕獲本地信息，從GNN捕獲全球信息，以做出更好的預測。”

學習權重

為了訓練和測試RoadTagger，研究人員使用了稱為OpenStreetMap的真實世界地圖數據集，該數據集使用戶可以編輯和管理全球數字地圖。他們從該數據集中，從包括波士頓，芝加哥，華盛頓和西雅圖在內的20個城市的688平方公里地圖上收集了已確認的道路屬性。然后，他們從Google Maps數據集中收集了相應的衛星圖像。

在培訓中，RoadTagger學習了CNN和GNN的權重-這些權重為特征和節點連接分配了不同程度的重要性。CNN從圖塊的像素圖案中提取特征，而GNN沿圖傳播學習的特征。從道路的隨機選擇子圖中，系統學習預測每個圖塊的道路特征。這樣，它會自動了解哪些圖像特征有用，以及如何沿圖傳播這些特征。例如，如果目標圖塊具有不清晰的車道標記，但是其相鄰圖塊具有四個具有清晰車道標記的車道，并且共享相同的道路寬度，則目標圖塊很可能也具有四個車道。在這種情況下，模型會自動獲悉道路寬度是有用的圖像特征，因此，如果兩個相鄰的圖塊共享相同的道路寬度，

給定OpenStreetMap訓練中未見的道路，該模型將道路分解為小塊，并使用其學習的權重進行預測。該模型的任務是預測被遮擋的圖塊中的車道數量，該模型指出相鄰圖塊具有匹配的像素模式，因此共享信息的可能性很高。因此，如果這些圖塊具有四個車道，則被遮擋的圖塊也必須具有四個車道。

在另一個結果中，RoadTagger在合成的，極具挑戰性的道路中斷數據集中準確預測了車道號。作為一個示例，具有兩個車道的立交橋覆蓋了具有四個車道的目標道路的幾塊瓷磚。該模型檢測到立交橋的像素模式不匹配，因此它忽略了覆蓋圖塊上的兩條車道，準確地預測了下面的四個車道。

研究人員希望使用RoadTagger來幫助人們快速驗證并批準對數據集(如OpenStreetMap)中基礎結構的持續修改，其中許多地圖都不包含車道數或其他詳細信息。Bastani說，一個特別感興趣的地區是泰國，那里的道路在不斷變化，但是數據集中幾乎沒有更新。

“曾經被標記為土路的道路已經鋪好，所以最好繼續行駛，并且一些交叉路口已經完全建成。每年都有變化，但是數字地圖已經過時了。”他說。“我們希望根據最新圖像不斷更新此類道路屬性。”