【獵雲網（微信號：）】7月25日報導（編譯：圈圈）
我們雖然有著衛星圖像和繪圖軟體，但是製作一張精確的地圖仍是一項艱難且費事的工作。許多國家（尤其是發展中國家）各自都有未被地圖記錄的領土。為了解決這一問題，Facebook人工智慧研究人員和工程師開發了一種使用深度學習和弱監督訓練的新方法，用於從商業上可獲得的高解析度衛星圖像預測道路網絡。由此產生的模型為最先進的精確度設置了一個新的標準。此外，由於它能夠適應道路網的區域差異，因此可以有效地預測全球的道路。
我們會通過Map With AI（一組新的專業地圖編輯服務和工具）分享模型的詳細信息並將數據提供給全球所有的繪圖專家們。Map With AI有一個編輯器界面RapiD，它將允許專家們根據需要輕鬆查看、驗證和調整地圖。
我們使用這個系統在OpenStreetMap上繪出了泰國境內之前未被記錄的30萬英裡路。如果是讓100名繪圖專家來手繪這份地圖，他們估計會用36個月的時間。而在這一系統的幫助下，我們僅用了18個月左右的時間就完成了這個項目。
準確的地圖數據將有助於Facebook Marketplace和Facebook Local等產品更好地為世界各地的人們提供服務。Map with AI也符合我們的核心目標：連接各個用戶並確保所有人都會在地圖上顯示。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、開發項目和許多其他用例的資源公開。例如，2018年印度喀拉拉邦被洪水襲擊時，Map With AI加快了人道主義OpenStreetMap團隊（HOT）對該地區的繪圖以協助救援工作。我們希望RapiD能夠幫助OSM和HOT志願者們的工作，以繪製出世界各地的地圖。
利用新技術實現更高效、準確的繪製
我們從多個角度進行了測繪研究。在2018年的CVPR上，我們為DeepGlobe Satellite Challenge提供了數據和競賽平臺，還參與了計算機視覺和機器學習解決方案的評估，以此來提高衛星圖像分析的技術水平。我們還在開發關於遙感空間問題的新技術和架構；調查弱監督學習技術以在全球範圍內應用我們的地圖；並與繪圖團隊合作，大規模測試這些方法以創造出適用的工具。
道路劃分
在從衛星圖像中提取信息時，我們對完全卷積神經網絡進行語義分割並將其和大規模弱監督學習聯繫起來。道路檢測是語義分割的直接應用，其中道路是前景，而圖像的其餘部分是背景。對於道路分段，我們使用了修改過後的D-LinkNet架構（在全球衛星圖像道路提取比賽中獲獎）；然後，矢量化和後處理技術可以將這些輸出轉換為與地理空間資料庫（如OSM）兼容的道路矢量。
全球範圍的弱監督訓練
作為泰國道路測繪項目的一部分，我們讓人類專家審查並糾正了人工智慧系統確定的道路網。然後，我們就用這些校正過的地圖作為模型的訓練數據。在泰國測繪項目中，我們繪製了泰國的整個道路網，因此我們對數據的準確性和完整性都很有把握。我們發現，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。由於我們的最終目的是繪製全球道路網，所以我們還研究了如何使用其他地區的OSM數據來訓練新模型。
其它不同國家之間的地圖繪製仍有較大差距。因此，我們研究了新方法以獲得更多關於地形方面的高質量訓練數據。我們從之前關於OSM數據的弱監督圖像分類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轉換為語義分割。該實驗需要在準確數據覆蓋範圍的區域，然後將OSM資料庫的道路向量轉換為光柵化語義分段標籤。
大多數可用於訓練道路分割模型的數據集都偏向於某一特定區域或發展水平。例如，DeepGlobe道路數據集僅包含來自印度、印度尼西亞和泰國的數據，而SpaceNet Road Extraction Challenge的數據集僅關注主要城市。我們創建的數據集橫跨六大洲和各類發展水平，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。我們在其他幾個數據集（拉斯維加斯、巴黎、上海等）上也評估了這兩個模型。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標準）得分為0.218，OSM訓練模型的平均IoU得分為0.355。
基於人工智慧的工具，可有效創建新地圖
一旦模型識別出潛在的道路，我們需要驗證該道路的真實性並將其提交給OSM。將這些數據帶給社區是我們工作流程的重要組成部分；我們模型的結果儘管很強大但並不完美，地方或地區差異會影響對道路的正確分類。一些結果錯誤地追蹤了其他衛星圖像特徵，例如幹河床、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，或者可能忽略對專業人體映射器而言顯而易見的連接點和潛在道路。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，這些映射器已經接受過如何驗證模型結果的專業訓練。為此，我們使用的是社區地圖比較熟悉的工具（iD、JavaOpenStreetMap和Tasking Manager）。
我們的工作重點是構建RapiD，這是廣泛使用的基於Web的iD地圖編輯器的開源擴展。此外，我們構建了一個系統，它會將模型的結果與OSM中已有的數據相結合。這個過程稱為合併，它們會建議如何將新道路與現有數據相結合，並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為他們自己的用例改進和利用這些工具。
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，並使用新命令和快捷方式執行最常見的數據清理任務，例如調整道路的分類以適應周邊環境。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處理新數據。為了確保向OSM提交高質量的數據，我們通過完整性檢查來發現模型結果的潛在問題。
地圖界領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，足以滿足那些想要隨意使用它的地圖製作者的需求，」OSM的長期撰稿人Martijn van Exel說道。「這肯定會成為OSM未來的關鍵部分，我們永遠不會繪製世界，並在沒有機器幫助的情況下進行繪製，重點是要找到繪製的最佳點。OSM是一個人物項目，地圖反映了地圖製作者的興趣、技能和傾向等。」
「在我看來，RapiD最獨特的優勢在於它可以用於世界上最複雜的地理區域，那些地區急需自動化。大多數現代算法、訓練集和技術被發明用於具有高度發達基礎設施的區域。在許多道路沒有明確界定和維護的發展中國家（例如非洲、東南亞、拉丁美洲），即使是受過最好訓練的人也很難識別並對其進行正確的分類，」共享單車行業的測繪專家Dmitry Kuzhanov說。
「RapiD是向前邁出的重要一步，因為它將人工智慧與人類天生具有的智慧相結合。我們人類仍然參與其中，但結果卻變得更加有效，」Mapillary的戰略合作夥伴經理Edoardo Neerhut說。
總而言之，合適的工具可以優化地圖、減輕繁瑣和耗時的道路繪製工作，提高道路繪製的準確性、並為識別最佳道路提供選擇。提供不影響繪圖專家能力和判斷力的工具非常重要，我們將根據這些專家的反饋不斷改進RapiD，以使製作過程更加順利。我們相信最終的RapiD將有助於提高衛星圖像的繪圖效果。