блоги от Blogozing
Несколько дней назад, 28 июля, инженер-программист Джон Куинн из Google Research, Гана, опубликовал информацию о недавно сформированном наборе данных, который отображает здания Африки со спутниковыми снимками, которые они заявляют как очень точные.
Считается, что новейший набор данных содержит местоположения и площади 516 миллионов зданий. Это охватывает большую часть африканского контента.
Использование такого набора данных
- Оценка населения
- "Городское планирование"
- Экологические эксперименты
- Гуманитарные приложения
- Оценка пострадавших домов в результате стихийного бедствия
Эти наборы данных были бы полезны во многих других случаях, несмотря на трудности практической реализации. Они также могут быть альтернативным источником информации во многих тематических исследованиях.
Сбор спутниковых изображений — непростая задача
На практике сбор спутниковых изображений сопряжен со многими проблемами.
- Иногда здание покрывается природными элементами, что делает их скрытыми.
- Небольшие структурированные хижины и постройки трудно заметить с такого большого расстояния.
Решение: Обнаружение зданий континентального масштаба на спутниковых снимках высокого разрешения
Разработка модели
- Данные обучения были вручную размечены для 1,75 миллиарда зданий.
- Модель U-Net использовалась для обнаружения спутниковых снимков
Подробнее о том, как были обозначены эти здания, читайте в блоге googleAI.
Улучшение и подгонка модели
- В качестве метода регуляризации использовалось смешение. Он был настроен специально для семантической сегментации этих наборов данных.
- Также было проведено самообучение без присмотра для 8,7 млн изображений с использованием шумового метода.
Проблемы, с которыми столкнулись
Обнаружение пятен — неочищенные очерченные края со слиянием соседних изображений. Чтобы восстановить это, был использован метод взвешивания расстояний U-Net для правильного определения промежутков между зданиями.
Метод гауссовой свертки также рассматривался как улучшение этой задачи.
Результат
Производительность оценивалась в категориях «Сельская местность», «Город» и «Средняя плотность населения». Точность и отзыв варьировались в зависимости от региона
Факторы производительности
- средняя точность покрытия
- дистанционное взвешивание
- регуляризация смешения
- Предварительное обучение Image-Net
Следите за визитом Blogozing, чтобы узнать больше о таком контенте.
