Выпуск модели-победителя SpaceNet 5: конец пути
Предисловие: SpaceNet LLC - некоммерческая организация, деятельность которой направлена на ускорение прикладных исследований с открытым исходным кодом и искусственного интеллекта для геопространственных приложений, в частности, фундаментального картографирования (т. е. обнаружения следов зданий и дорожных сетей). SpaceNet работает в сотрудничестве с CosmiQ Works, Maxar Technologies, Intel AI, Amazon Web Services (AWS), Capella Space, Topcoder и IEEE GRSS.
Несмотря на то, что автоматическое извлечение дорожной сети из изображений, полученных с высоты птичьего полета, применяется в бесчисленном множестве случаев использования в гуманитарных и гражданских целях, оно остается довольно сложной задачей, как мы уже обсуждали в предыдущих сообщениях (1, 2, 3). Тем не менее, задача SpaceNet 5 смогла существенно повлиять на эту задачу (каламбур), при этом ведущие участники смогли извлечь как дорожные сети, так и оценки скорости / времени в пути для каждой проезжей части. В этом заключительном выпуске серии блогов SpaceNet 5 мы объявляем о выпуске моделей-победителей и обсуждаем компромисс между скоростью вывода и производительностью модели.
1. Алгоритмическая база SpaceNet 5
SpaceNet 5 попросил участников построить маршрутизируемые дорожные сети (с оценками скорости) непосредственно из спутниковых снимков в различных географических регионах: Москва, Мумбаи, Сан-Хуан и Дар-эс-Салам. Предоставленные метки представляют собой начерченные вручную осевые линии дорог с сопутствующими метаданными, такими как количество полос, тип дороги, тип поверхности и оценки ограничений скорости. Эта сложная задача изначально была взята на себя общедоступной базовой версией, выпущенной CosmiQ, под названием CRESI. Этот процесс кратко представлен на Рисунке 1, а более подробную информацию можно найти здесь.
2. Выигрышные алгоритмы SpaceNet 5
Алгоритмы, представленные в SpaceNet 5, применяли аналогичный подход к базовой линии, с основным изменением типа (и количества) используемых моделей сегментации и параметров постобработки. Пять лучших участников-победителей объединили от 4 до 15 моделей сегментации вместе, чтобы повысить производительность по сравнению с базовой моделью. Более сложные модели и методы объединения победивших участников обеспечили повышение производительности APLS_time по сравнению с базовой моделью в диапазоне от 0,1% до 6%. См. Более подробную информацию в Таблице 1.
3. Компромисс между скоростью и производительностью
Хотя более сложные модели и методы объединения победивших участников дали прирост производительности, они все же достигаются за счет скорости выполнения. На рисунке 2 мы отображаем оценку APLS_time как функцию скорости прогнозирования. Наше оборудование - это NVIDIA DevBox с 4 графическими процессорами Titan X. Во многих сценариях высокая скорость базовой модели может быть более важной, чем небольшое повышение производительности, обеспечиваемое другими моделями. Тем не менее, если эффективность прогнозирования имеет первостепенное значение, предпочтительнее победившее представление XD_XD, которое также имеет дополнительное преимущество в том, что оно быстрее, чем заявки, занявшие 2-е, 3-е и 4-е места.
4. Выпуск модели
Мы рады сообщить, что победившие алгоритмы и веса моделей были открыты. Веса моделей, обученных в 6 городах из набора обучающих данных SpaceNet 3 + 5 (Лас-Вегас, Париж, Шанхай, Хартум, Москва, Мумбаи) для каждой из победивших заявок, можно найти в корзине SpaceNet s3:
s3://spacenet-dataset/spacenet-model-weights/spacenet-5/
Код для алгоритмов выигрыша можно найти на сайте ниже:
https://github.com/SpaceNetChallenge/SpaceNet_Optimized_Routing_Solutions
Мы включаем инструкции файла dockerfile, чтобы легко развернуть эти алгоритмы, а также разрешающую лицензию Apache 2.0 для поощрения их использования. Хотя эти модели остаются несовершенными, во многих сценах предсказание дороги весьма впечатляет, как показано на Рисунке 3.
5. Выводы
В последних нескольких сообщениях в блоге мы исследовали географическое разнообразие SpaceNet 5, углубились в хаотический характер местных прогнозов и обнаружили функции прогнозирования для эффективности извлечения дорожной сети. Очевидно, что из набора данных SpaceNet 5 можно извлечь много уроков. Тем не менее, мы, наконец, подошли к концу нашего анализа после испытаний с этим постом: объявляем о выпуске кода победы и весов моделей. Несмотря на то, что SpaceNet 5 завершена, мы продолжим исследовать дороги и маршруты; мы надеемся, что данные, код и веса модели SpaceNet 5 помогут заинтересованному читателю в подобных исследованиях.
