AI създава пътни карти от аеро-фотографии
Системата може да бъде потребна както за софтуерните колоси, по този начин и за по-малките организации, надяват се разработчиците от MIT
Пропуските в картите са проблем, изключително за системите, създадени за самоуправляеми коли
Картовите приложения трансформираха нашия свят без подозрение. Картографирането на пътищата обаче е мъчно и досадно: откакто се създадат аеро-фотографии, цели екипи в фирмите прекарват доста часове в ръчно следене на пътищата и поправяне на грешките от изображенията. В резултат на това даже компании като Гугъл към момента не са достигнали до такава степен да могат да картират всички пътища по целия свят.
Пропуските в картите са проблем, изключително за системите, създадени за самоуправляеми коли. За да се оправят с предизвикването, откриватели от Лабораторията по компютърни науки и изкуствен интелект в MIT (CSAIL) са основали RoadTracer – автоматизиран способ за създаване на пътни карти, които са с 45% по-точни от съществуващите.
Използвайки данни от въздушните изображения, съгласно екипа, RoadTracer не е просто по-точен, а по-рентабилен от сегашните подходи. Системата може да бъде потребна както за софтуерните колоси като Гугъл, по този начин и за по-малките организации, които нямат ресурсите да проследят и поправят огромни количества неточности в картите, изяснява. Мохамад Ализад, професор от Разузнавателна служба на Турция.
„ RoadTracer е подобаващ за картографиране на регионите в света, за които картите постоянно са остарели и неточни, което включва както места с по-малобройно население и региони, където постоянно има строителство “, споделя Ализеда, един от съавторите на публикация за системата. „ Например, съществуващите карти за отдалечени региони, като да вземем за пример Тайланд, пропущат доста пътища. RoadTracer може да им помогне да ги създадат по-точни. “
Разглеждайки въздушните изображения на Ню Йорк, RoadTracer би могъл вярно да наблюдава 44% от пътните възли. Това е повече от два пъти по-ефективно по отношение на обичайните подходи, основаващи се на сегментиране на изображения, което може да реализира единствено 19% различаване.
Съществуващите карти за отдалечени региони, пропущат доста пътища
Сегашните старания за автоматизиране на картите включват образование на невронни мрежи, с цел да се разчитат въздушните изображения и да се разпознават обособените пиксели като „ път “ или „ не-път “. Тъй като въздушните изображения постоянно могат да бъдат неразбираеми и непълни, такива системи изискват следваща обработка, която има за цел да запълни пропуските.
За страдание това по този начин наречено „ сегментиране “ постоянно е неопределено. Ако моделът неверно разпознае пиксел, тази неточност ще се мултиплицира в крайната пътна карта. Грешките са изключително евентуални, в случай че въздушните изображения обгръщат дървета, здания или сенки, които закриват пътищата или лимитират видимостта към тях и не се вижда къде стартират и приключват улиците.
RoadTracer основава карти малко по малко. Той стартира от известно, познато място в пътната мрежа и употребява невронна мрежа, с цел да „ изследва “ околния регион, определяйки коя точка е най-вероятно да бъде идната част на пътя. След това се прибавя тази точка и повтаря процеса последователно, проследявайки пътната мрежа малко по малко.
„ Вместо да прави хиляди разнообразни решения по едно и също време за това дали дадени пиксели съставляват елементи от път или не, RoadTracer се концентрира върху по-простия проблем да разбере коя посока да следва, когато тръгне от несъмнено място, за което знае, че е път “, споделя Файден Бастани, завършващ студент в MIT. „ Това в доста връзки в действителност е доста по-близо до това по какъв начин ние като хора построяваме умствените модели на света към нас. “
Екипът обучил RoadTracer с въздушни изображения от 25 града в шест страни в Северна Америка и Европа. След това оценил качествата му за картографиране посредством 15 други града.
„ Важно е една система за картографиране да може да се оправя добре с градовете, за които не е обучавана, тъй като районите, където автоматизираното картографиране е най-обещаващо, са тези, за които не съществуват карти или съществуващите са неточни “, споделя проф. Хари Балъкришан от MIT.
Важно е една система за картографиране да може да се оправя добре с градовете, за които не е обучавана
Бастани споделя, че фактът, че RoadTracer прави с 45% по-малко неточности, е от значително значение за това автоматизираните системи за картографиране да станат по-практични. „ Ако процентът на неточности е прекомерно висок, е по-ефективно пътищата да се нанасят ръчно от нулата, вместо да се отстраняват неправилните сегменти от изведената цифрова карта “, споделя Бащани.
Все отново, внедряването на нещо като RoadTracer няма да направи хората ненужни. Учените споделят, че си показват системата да предлага пътни карти за огромен район, а по-късно да се намеси човек, който да ревизира дизайна. „ Това, което е ясно, е, че със система като нашата може фрапантно да понижим досадната работа, която хората ще би трябвало да правят “, споделя Ализаде.
Системата ще бъде показана през юни на конференцията за компютърна визия и различаване на модели (CVPR) в Солт Лейк Сити, Юта. Тя е взаимна разработка на сред CSAIL и Qatar Computing Research Institute (QCRI).
Пропуските в картите са проблем, изключително за системите, създадени за самоуправляеми коли
Картовите приложения трансформираха нашия свят без подозрение. Картографирането на пътищата обаче е мъчно и досадно: откакто се създадат аеро-фотографии, цели екипи в фирмите прекарват доста часове в ръчно следене на пътищата и поправяне на грешките от изображенията. В резултат на това даже компании като Гугъл към момента не са достигнали до такава степен да могат да картират всички пътища по целия свят.
Пропуските в картите са проблем, изключително за системите, създадени за самоуправляеми коли. За да се оправят с предизвикването, откриватели от Лабораторията по компютърни науки и изкуствен интелект в MIT (CSAIL) са основали RoadTracer – автоматизиран способ за създаване на пътни карти, които са с 45% по-точни от съществуващите.
Използвайки данни от въздушните изображения, съгласно екипа, RoadTracer не е просто по-точен, а по-рентабилен от сегашните подходи. Системата може да бъде потребна както за софтуерните колоси като Гугъл, по този начин и за по-малките организации, които нямат ресурсите да проследят и поправят огромни количества неточности в картите, изяснява. Мохамад Ализад, професор от Разузнавателна служба на Турция.
„ RoadTracer е подобаващ за картографиране на регионите в света, за които картите постоянно са остарели и неточни, което включва както места с по-малобройно население и региони, където постоянно има строителство “, споделя Ализеда, един от съавторите на публикация за системата. „ Например, съществуващите карти за отдалечени региони, като да вземем за пример Тайланд, пропущат доста пътища. RoadTracer може да им помогне да ги създадат по-точни. “
Разглеждайки въздушните изображения на Ню Йорк, RoadTracer би могъл вярно да наблюдава 44% от пътните възли. Това е повече от два пъти по-ефективно по отношение на обичайните подходи, основаващи се на сегментиране на изображения, което може да реализира единствено 19% различаване.
Съществуващите карти за отдалечени региони, пропущат доста пътища
Сегашните старания за автоматизиране на картите включват образование на невронни мрежи, с цел да се разчитат въздушните изображения и да се разпознават обособените пиксели като „ път “ или „ не-път “. Тъй като въздушните изображения постоянно могат да бъдат неразбираеми и непълни, такива системи изискват следваща обработка, която има за цел да запълни пропуските.
За страдание това по този начин наречено „ сегментиране “ постоянно е неопределено. Ако моделът неверно разпознае пиксел, тази неточност ще се мултиплицира в крайната пътна карта. Грешките са изключително евентуални, в случай че въздушните изображения обгръщат дървета, здания или сенки, които закриват пътищата или лимитират видимостта към тях и не се вижда къде стартират и приключват улиците.
RoadTracer основава карти малко по малко. Той стартира от известно, познато място в пътната мрежа и употребява невронна мрежа, с цел да „ изследва “ околния регион, определяйки коя точка е най-вероятно да бъде идната част на пътя. След това се прибавя тази точка и повтаря процеса последователно, проследявайки пътната мрежа малко по малко.
„ Вместо да прави хиляди разнообразни решения по едно и също време за това дали дадени пиксели съставляват елементи от път или не, RoadTracer се концентрира върху по-простия проблем да разбере коя посока да следва, когато тръгне от несъмнено място, за което знае, че е път “, споделя Файден Бастани, завършващ студент в MIT. „ Това в доста връзки в действителност е доста по-близо до това по какъв начин ние като хора построяваме умствените модели на света към нас. “
Екипът обучил RoadTracer с въздушни изображения от 25 града в шест страни в Северна Америка и Европа. След това оценил качествата му за картографиране посредством 15 други града.
„ Важно е една система за картографиране да може да се оправя добре с градовете, за които не е обучавана, тъй като районите, където автоматизираното картографиране е най-обещаващо, са тези, за които не съществуват карти или съществуващите са неточни “, споделя проф. Хари Балъкришан от MIT.
Важно е една система за картографиране да може да се оправя добре с градовете, за които не е обучавана
Бастани споделя, че фактът, че RoadTracer прави с 45% по-малко неточности, е от значително значение за това автоматизираните системи за картографиране да станат по-практични. „ Ако процентът на неточности е прекомерно висок, е по-ефективно пътищата да се нанасят ръчно от нулата, вместо да се отстраняват неправилните сегменти от изведената цифрова карта “, споделя Бащани.
Все отново, внедряването на нещо като RoadTracer няма да направи хората ненужни. Учените споделят, че си показват системата да предлага пътни карти за огромен район, а по-късно да се намеси човек, който да ревизира дизайна. „ Това, което е ясно, е, че със система като нашата може фрапантно да понижим досадната работа, която хората ще би трябвало да правят “, споделя Ализаде.
Системата ще бъде показана през юни на конференцията за компютърна визия и различаване на модели (CVPR) в Солт Лейк Сити, Юта. Тя е взаимна разработка на сред CSAIL и Qatar Computing Research Institute (QCRI).
Източник: technews.bg
КОМЕНТАРИ