我們雖然有著(zhù)衛星圖像和繪圖軟件，但是制作一張精確的地圖仍是一項艱難且費事的工作。許多國家(尤其是發(fā)展中國家)各自都有未被地圖記錄的領(lǐng)土。為了解決這一問(wèn)題，Facebook人工智能研究人員和工程師開(kāi)發(fā)了一種使用深度學(xué)習和弱監督訓練的新方法，用于從商業(yè)上可獲得的高分辨率衛星圖像預測道路網(wǎng)絡(luò )。由此產(chǎn)生的模型為最先進(jìn)的精確度設置了一個(gè)新的標準。此外，由于它能夠適應道路網(wǎng)的區域差異，因此可以有效地預測全球的道路。
我們會(huì )通過(guò)Map With AI(一組新的專(zhuān)業(yè)地圖編輯服務(wù)和工具)分享模型的詳細信息并將數據提供給全球所有的繪圖專(zhuān)家們。Map With AI有一個(gè)編輯器界面RapiD，它將允許專(zhuān)家們根據需要輕松查看、驗證和調整地圖。
我們使用這個(gè)系統在OpenStreetMap上繪出了泰國境內之前未被記錄的30萬(wàn)英里路。如果是讓100名繪圖專(zhuān)家來(lái)手繪這份地圖，他們估計會(huì )用36個(gè)月的時(shí)間。而在這一系統的幫助下，我們僅用了18個(gè)月左右的時(shí)間就完成了這個(gè)項目。
準確的地圖數據將有助于Facebook Marketplace和Facebook Local等產(chǎn)品更好地為世界各地的人們提供服務(wù)。Map with AI也符合我們的核心目標：連接各個(gè)用戶(hù)并確保所有人都會(huì )在地圖上顯示。與Facebook AI的人口密度地圖項目一樣，該地圖也將作為災害響應、城市規劃、開(kāi)發(fā)項目和許多其他用例的資源公開(kāi)。例如，2018年印度喀拉拉邦被洪水襲擊時(shí)，Map With AI加快了人道主義OpenStreetMap團隊(HOT)對該地區的繪圖以協(xié)助救援工作。我們希望RapiD能夠幫助OSM和HOT志愿者們的工作，以繪制出世界各地的地圖。
利用新技術(shù)實(shí)現更高效、準確的繪制
我們從多個(gè)角度進(jìn)行了測繪研究。在2018年的CVPR上，我們?yōu)镈eepGlobe Satellite Challenge提供了數據和競賽平臺，還參與了計算機視覺(jué)和機器學(xué)習解決方案的評估，以此來(lái)提高衛星圖像分析的技術(shù)水平。我們還在開(kāi)發(fā)關(guān)于遙感空間問(wèn)題的新技術(shù)和架構;調查弱監督學(xué)習技術(shù)以在全球范圍內應用我們的地圖;并與繪圖團隊合作，大規模測試這些方法以創(chuàng )造出適用的工具。
道路劃分
在從衛星圖像中提取信息時(shí)，我們對完全卷積神經(jīng)網(wǎng)絡(luò )進(jìn)行語(yǔ)義分割并將其和大規模弱監督學(xué)習聯(lián)系起來(lái)。道路檢測是語(yǔ)義分割的直接應用，其中道路是前景，而圖像的其余部分是背景。對于道路分段，我們使用了修改過(guò)后的D-LinkNet架構(在全球衛星圖像道路提取比賽中獲獎);然后，矢量化和后處理技術(shù)可以將這些輸出轉換為與地理空間數據庫(如OSM)兼容的道路矢量。
全球范圍的弱監督訓練
作為泰國道路測繪項目的一部分，我們讓人類(lèi)專(zhuān)家審查并糾正了人工智能系統確定的道路網(wǎng)。然后，我們就用這些校正過(guò)的地圖作為模型的訓練數據。在泰國測繪項目中，我們繪制了泰國的整個(gè)道路網(wǎng)，因此我們對數據的準確性和完整性都很有把握。我們發(fā)現，對該數據集的訓練為泰國提供了高度準確的驗證結果，但讓其他地區的準確率急劇下降。由于我們的最終目的是繪制全球道路網(wǎng)，所以我們還研究了如何使用其他地區的OSM數據來(lái)訓練新模型。
其它不同國家之間的地圖繪制仍有較大差距。因此，我們研究了新方法以獲得更多關(guān)于地形方面的高質(zhì)量訓練數據。我們從之前關(guān)于OSM數據的弱監督圖像分類(lèi)和訓練建立的檢測模型中得到靈感，嘗試將弱監督的訓練思想從分類(lèi)轉換為語(yǔ)義分割。該實(shí)驗需要在準確數據覆蓋范圍的區域，然后將OSM數據庫的道路向量轉換為光柵化語(yǔ)義分段標簽。
大多數可用于訓練道路分割模型的數據集都偏向于某一特定區域或發(fā)展水平。例如，DeepGlobe道路數據集僅包含來(lái)自印度、印度尼西亞和泰國的數據，而SpaceNet Road Extraction Challenge的數據集僅關(guān)注主要城市。我們創(chuàng )建的數據集橫跨六大洲和各類(lèi)發(fā)展水平，提供比其他可替代方案更多的數據。為了評估更大、更多樣化的數據集是如何影響我們模型的普遍性，我們評估了OSM訓練模型以及DeepGlobe模型。我們在其他幾個(gè)數據集(拉斯維加斯、巴黎、上海等)上也評估了這兩個(gè)模型。在這些測試集中，DeepGlobe模型的IoU(一種測量在特定數據集中檢測相應物體準確度的一個(gè)標準)得分為0.218，OSM訓練模型的平均IoU得分為0.355。
基于人工智能的工具，可有效創(chuàng )建新地圖
一旦模型識別出潛在的道路，我們需要驗證該道路的真實(shí)性并將其提交給OSM。將這些數據帶給社區是我們工作流程的重要組成部分;我們模型的結果盡管很強大但并不完美，地方或地區差異會(huì )影響對道路的正確分類(lèi)。一些結果錯誤地追蹤了其他衛星圖像特征，例如干河床、狹窄的海灘和運河。此外，該模型可能找不到區域內的所有道路，或者可能忽略對專(zhuān)業(yè)人體映射器而言顯而易見(jiàn)的連接點(diǎn)和潛在道路。因此，我們的下一步是將模型的結果加入到有能力的映射器中，這些映射器已經(jīng)接受過(guò)如何驗證模型結果的專(zhuān)業(yè)訓練。為此，我們使用的是社區地圖比較熟悉的工具(iD、JavaOpenStreetMap和Tasking Manager)。
我們的工作重點(diǎn)是構建RapiD，這是廣泛使用的基于Web的iD地圖編輯器的開(kāi)源擴展。此外，我們構建了一個(gè)系統，它會(huì )將模型的結果與OSM中已有的數據相結合。這個(gè)過(guò)程稱(chēng)為合并，它們會(huì )建議如何將新道路與現有數據相結合，并防止用建議道路覆蓋現有道路數據。我們希望RapiD能夠讓社區地圖的人們?yōu)樗麄冏约旱挠美倪M(jìn)和利用這些工具。
RapiD編輯器允許審閱者可視化混合道路，突出顯示新更改的道路，并使用新命令和快捷方式執行最常見(jiàn)的數據清理任務(wù)，例如調整道路的分類(lèi)以適應周邊環(huán)境。因為我們擴展了現有的編輯工具iD，所以映射器能夠使用熟悉的工具來(lái)處理新數據。為了確保向OSM提交高質(zhì)量的數據，我們通過(guò)完整性檢查來(lái)發(fā)現模型結果的潛在問(wèn)題。
地圖界領(lǐng)先者的早期反饋鼓舞人心
“該工具在建議機器生成的功能和手動(dòng)映射之間取得了很好的平衡。對iD的調整及增加的快捷鍵使其足夠強大，足以滿(mǎn)足那些想要隨意使用它的地圖制作者的需求，”OSM的長(cháng)期撰稿人Martijn van Exel說(shuō)道。“這肯定會(huì )成為OSM未來(lái)的關(guān)鍵部分，我們永遠不會(huì )繪制世界，并在沒(méi)有機器幫助的情況下進(jìn)行繪制，重點(diǎn)是要找到繪制的最佳點(diǎn)。OSM是一個(gè)人物項目，地圖反映了地圖制作者的興趣、技能和傾向等。”
“在我看來(lái)，RapiD最獨特的優(yōu)勢在于它可以用于世界上最復雜的地理區域，那些地區急需自動(dòng)化。大多數現代算法、訓練集和技術(shù)被發(fā)明用于具有高度發(fā)達基礎設施的區域。在許多道路沒(méi)有明確界定和維護的發(fā)展中國家(例如非洲、東南亞、拉丁美洲)，即使是受過(guò)最好訓練的人也很難識別并對其進(jìn)行正確的分類(lèi)，”共享單車(chē)行業(yè)的測繪專(zhuān)家Dmitry Kuzhanov說(shuō)。
“RapiD是向前邁出的重要一步，因為它將人工智能與人類(lèi)天生具有的智慧相結合。我們人類(lèi)仍然參與其中，但結果卻變得更加有效，”Mapillary的戰略合作伙伴經(jīng)理Edoardo Neerhut說(shuō)。
總而言之，合適的工具可以?xún)?yōu)化地圖、減輕繁瑣和耗時(shí)的道路繪制工作，提高道路繪制的準確性、并為識別最佳道路提供選擇。提供不影響繪圖專(zhuān)家能力和判斷力的工具非常重要，我們將根據這些專(zhuān)家的反饋不斷改進(jìn)RapiD，以使制作過(guò)程更加順利。我們相信最終的RapiD將有助于提高衛星圖像的繪圖效果。