Определение времени в пути по маршруту с помощью SpaceNet
Выбор оптимального маршрута на основе изображений дистанционного зондирования остается серьезной проблемой, несмотря на его важность для широкого круга приложений. Хотя идентификация пикселей дороги предпринималась и раньше, оценка времени проезда по маршруту по изображениям, полученным с высоты птичьего полета, остается новой проблемой. С этой целью мы опираемся на наш предыдущий пост и исследуем масштабное извлечение дорожной сети с выводом семантических характеристик графа, определения ограничений скорости и времени в пути по каждому маршруту. Мы называем этот подход Извлечение дорог в масштабе города из спутниковых изображений v2 (CRESIv2). Включение оценок времени в пути обеспечивает действительно оптимальный маршрут, а не только кратчайшее географическое расстояние.
Этот подход также служит исходной базой для предстоящей задачи SpaceNet 5, ориентированной на дорожные сети и оптимизированную маршрутизацию. См. Нашу статью arXiv для получения дополнительных сведений и связанных работ, а также наш репозиторий github для кода.
1. Обзор алгоритма
Наш подход заключается в объединении новых методов сегментации, которые инкапсулируют скорость дороги, с улучшенными методами постобработки для упрощения вектора дороги. Мы используем спутниковые изображения и геокодированные метки осевых линий дорог для создания обучающих наборов данных для первого шага в нашем алгоритме: сегментации.
У нас две цели: выделить дорожную сеть на большие территории и оценить время в пути по каждой дороге. Чтобы оценить время в пути, мы назначаем ограничение скорости для каждой проезжей части на основе тегов метаданных, таких как тип дороги, количество полос и конструкция поверхности. Начнем с обучения модели сегментации. В статье исследуются два подхода (как модель с несколькими классами, так и с непрерывной моделью), хотя в этом посте мы исследуем только модель с несколькими классами.
2. Мультиклассовая сегментация
Мы создаем многоканальные обучающие маски, объединяя дорожные метки в семислойный стек, при этом скорость детализации канала 0 составляет от 1 до 10 миль в час, канала 1 - от 11 до 20 миль в час и т. Д. (См. Рисунок 1). Мы обучаем модель сегментации, основанную на победившем алгоритме SpaceNet 3, и используем кодировщик ResNet34 с декодером, вдохновленным U-Net. Мы включаем пропуск подключений на каждом уровне сети с оптимизатором Adam и настраиваемой функцией потерь:
где focal - это потеря фокусировки, dice - коэффициент Dice, а α - постоянная величина.
3. Процедура извлечения графа
Выходные данные шага маски сегментации, подробно описанного выше, впоследствии уточняются в векторы дороги. Мы начинаем со сглаживания выравнивания и фильтрации окончательной выходной маски для создания уточненной маски прогнозирования. Из этой уточненной маски создается каркас, а затем и дорожный граф (подробности см. В нашем предыдущем посте).
4. Процедура оценки скорости
Мы оцениваем время в пути для данного края дороги, используя информацию о скорости, содержащуюся в маске прогноза. Большинство ребер в графе состоит из нескольких сегментов (например, ребро на рисунке 2 имеет 6 сегментов). Соответственно, мы пытаемся оценить скорость каждого сегмента, чтобы определить среднюю скорость края. Скорость сегмента оценивается путем извлечения небольшого фрагмента размером 8 × 8 пикселей в средней точке сегмента. Если большинство пикселей с высокой степенью достоверности в патче маски предсказания принадлежат каналу 3 (соответствует 31-40 милям в час), мы бы назвали скорость на этом участке равной 35 милям в час. Затем время прохождения рассчитывается делением краевого расстояния на среднюю скорость.
5. Масштабирование до больших изображений
Описанный выше процесс хорошо работает для небольших входных изображений, но не работает для больших изображений из-за переполнения памяти графического процессора. Например, даже для относительно простой архитектуры, такой как U-Net, типичное аппаратное обеспечение графического процессора (графический процессор NVIDIA Titan X с 12 ГБ памяти) будет насыщать изображения размером более 2000 × 2000 пикселей и разумными размерами пакетов ›4. Соответственно, мы следуйте подходам BASISS и CRESIv1 для масштабного извлечения сетей.
5. Показатель APLS.
Для измерения разницы между графами наземной истинности и предложениями метрика APLS суммирует различия в оптимальных длинах путей между узлами в графе наземной истинности G и графе предложения G ’. Показатель APLS масштабируется от 0 (плохо) до 1 (идеально). Определение кратчайшего пути может быть определено пользователем; естественным первым шагом является рассмотрение географического расстояния как меры длины пути (APLS_ length), но можно выбрать любые веса ребер. Следовательно, если мы назначим оценку времени прохождения каждому ребру графа, мы сможем использовать метрику APLS_ time для измерения различий во времени прохождения между графами достоверных данных и графами предложений.
6. Результаты корпуса SpaceNet 3 Test Corpus
Мы вычисляем теоретико-графическую метрическую производительность APLS для чипов изображения размером 400 × 400 метров в тестовом корпусе SpaceNet 3. Пример результата показан на рисунке 3, а в таблице 2 показаны вычисленные оценки. Сообщенные ошибки (± 1σ) отражают относительно высокую дисперсию производительности между различными тестовыми сценами в четырех городах SpaceNet. Таблица 2 демонстрирует, что для мультиклассовой модели оценка APLS все еще составляет 0,58 при использовании времени в пути в качестве веса, что всего на 13% ниже, чем при взвешивании с геометрическим расстоянием.
Оценка APLS_ length, равная 0,68, сопоставима с победившей оценкой SpaceNet 3, равной 0,67. Это незначительное увеличение APLS_ length является полезным, хотя, конечно, основное внимание в этой работе уделяется определению скорости движения. Мы также используем только одну модель (а не ансамбль albu) в интересах скорости вывода.
7. Результаты SpaceNet для больших площадей
В дополнение к корпусу тестов SpaceNet 3, мы также тестируем наш крупномасштабный алгоритм на тестовом наборе большой площади, охватывающем более 600 квадратных километров в четырех городах SpaceNet 3 (Лас-Вегас, Париж, Шанхай, Хартум). Мы достигли результатов, сопоставимых с таблицей 2, с APLS_ length = 0,67 ± 0,04. APLS_ time = 0,64 ± 0,03, что составляет всего 4% снижение оценки APLS при использовании скорости по сравнению с длиной в качестве веса ребер. Это несколько улучшилось по сравнению с уменьшением на 13%, указанным в таблице 2, в первую очередь из-за меньшего количества краевых эффектов от более крупных областей тестирования. На рисунках 4 и 5 показаны графические данные алгоритма для различных городских условий.
8. Заключение
Спутниковые изображения могут в значительной степени помочь в определении оптимальных маршрутов в сценариях, связанных со стихийными бедствиями или другими динамическими событиями, когда высокая частота повторных посещений спутников может обеспечить обновление намного быстрее, чем наземные методы. В этом посте мы продемонстрировали методы извлечения городских дорожных сетей с оценками времени в пути непосредственно из изображений дистанционного зондирования.
Прогнозирование достаточно быстрое, со скоростью вывода ≥ 280 км2 / час на одном графическом процессоре. На этой скорости кластер из 4 графических процессоров может нанести на карту всю территорию Пуэрто-Рико площадью 9100 км2 примерно за 8 часов, что является значительным улучшением за два месяца, которые потребовались специалистам по маркировке (1) после урагана Мария.
Хотя автоматическое извлечение дорожной сети ни в коем случае не является решенной проблемой, алгоритм CRESIv2 улучшает и расширяет существующие методы с потенциальными преимуществами для таких приложений, как реагирование на стихийные бедствия, где быстрое обновление карт имеет решающее значение для успеха. Мы с нетерпением ждем еще больших улучшений в автоматизированном картографировании по сравнению с конкурсом SpaceNet 5. Следите за дальнейшими подробностями о крупномасштабных выводах о дорогах, а также об обновленных базовых показателях с нашей библиотекой Solaris.
