推特900贊：開源AI畫出超準街道地圖，全球適用，刷新DeepGlobe最好成績_風聞

栗子 發自 麥蒿寺

量子位 報道 | 公眾號 QbitAI

這個星球上，還有很多地方沒有地圖。

即便是已經有地圖，也會有很多道路沒標出來。

光靠人類的話，這項任務還是太費時費力，要是AI能幫忙就好了。

於是，出現了名叫Map With AI的應用，用深度學習分析衞星圖像，標出道路 (也能標出建築) 。

**△**粉紅色的就是AI標註

有了它，人類不用手動畫出道路的走向，只要點一下AI標出的路，確認它真是一條路就夠了。

應用來自Facebook，團隊已經用它填補了泰國超過30萬英里缺失的路。泰國全境一共60萬英里路，便這樣標註完整了：

視頻連接請戳https://mp.weixin.qq.com/s/NREmqVYXo6hWsIvzcnwIDA

研究人員説，原本需要三五年的事，這次只花了一年半。

LeCun大佬把這個成果發上推特，已有近千人讚許：

那麼，道路標註完整很重要麼？

舉個例子，發生災害的時候，地圖缺失道路會嚴重影響救援工作。所以，還是標註完整的好。

比如，去年印度喀拉拉邦遇上洪水，幾百萬人受災。Facebook收到求助消息，幾天內在災區地圖上增加了大約21500條路，幫助救災。

不止對泰國和印度有用，團隊用弱監督方法訓練的AI，在世界各地不同的道路網絡上有效泛化。

團隊説，這AI有足以商業化的精確度，不過編輯器的代碼是開源的。

先來觀察一下技術原理吧。

嘈雜的，才是世界的

介紹一點點前情：

2004年，世界上誕生了叫做OpenStreetMap (開放街道地圖) 的地圖協作計劃，簡稱OSM，內容是開放的，人人皆可編輯。

2013年，又有了名叫“iD”的地圖編輯器，人類可以用它在地圖上標出橋樑和街道。這個工具成了OSM的默認編輯器。

Facebook便是在iD的基礎上，用深度學習孕育了RapiD，一個新的編輯器。

編輯器背後的神經網絡，叫做DLinkNet-34，有34層。

訓練用的數據十分龐大，是用航天技術公司Maxar提供的、全球各地的衞星圖像加工而來。

要讓神經網絡適應各地的道路差異，加工方法非常關鍵。

其實，泰國項目得出的地圖非常完整，又有領域專家把關，Facebook對泰國地圖數據十分自信。但用這些數據訓練的模型，卻在其他地區泛化很差。於是，團隊才想了新方法：

藉助OSM (開放街道地圖) 系統裏現有的數據，篩選出數據準確、數據充足的區域。

具體方法是，把地圖分割成2048×2048大小的圖塊，每個像素大約代表實際土地的60公分；然後，把道路標註少於25條的圖塊都過濾掉。

為了和CVPR 2018舉辦的DeepGlobe地圖比賽數據集保持一致，團隊把餘下的圖塊又截成了1024×1024大小。

最終得到180萬個圖塊，覆蓋六大洲****70萬平方英里 (約180萬平方公里) 土地。相比之下，DeepGlobe數據集只有630平方英里，千分之一不到。

這樣一來，就不會像DeepGlobe比賽數據集那樣，只包含印度、印尼和泰國這少數幾個地區，也不會嚴重偏向某種特定的地區發展水平。

選出可用的圖塊後，要把OSM裏的道路向量柵格化 (Rasterize) 到5像素，生成分割掩碼 (Segmentation Masks) ，就是嘈雜的標籤。

注意，這和常規操作並不一樣，一般的語義分割需要完美的標籤；可這世上的道路千奇百怪，寬窄不一，形狀各異，太完美的標籤不易於泛化，嘈雜反而會有優勢。

實驗證明，只用嘈雜的標籤，它就可以和DeepGlobe的其他選手起鼓相當。再加一點微調，就成了道路提取的State-of-the-Art。

最重要的是，它在全球範圍內泛化得很好，不至於走出泰國便一臉矇蔽。

為什麼還需要人類？

就像開頭説的那樣，粉紅色是AI識別的道路。

而粉紅色的不同亮度，代表識別的置信度。

既有置信度，就是説AI標註的結果也不一定是正確答案。

有時候，它還是可能認錯：比如河牀，比如狹長的海灘，比如運河，都是容易混淆的特徵；

另外，路與路之間的連接點，也有可能會被忽略。

於是，團隊開源了RapiD編輯器。AI已經給出粉紅色的街道標註，只要點一下，人類就可以確認那是一條路：

對比之下，它的前輩iD編輯器，每一條路都需要手動畫：

​有了RapiD，速度可以加快許多。

其實，RapiD是iD的一個擴展，而iD又是OSM默認的編輯器。

所以，RapiD的編輯結果，可以輕鬆和OSM現有的數據庫結合並起來：

有個Conflation功能，提供瞭如何把新增道路和已有數據結合的建議，也能避免新路把老路抹掉。

**△**左是AI標註，右是與現有數據結合

人機合作，十分美好。

One More Thing

如今，不止泰國的街道地圖完整了，印尼的路也補全到了90%。

除此之外，AI生成的阿富汗、孟加拉國、印度尼西亞、墨西哥、尼日利亞、坦桑尼亞和烏干達街道地圖，都可以在OSM上找到。

這些數據非常寶貴，對各個國家的災難響應，社區規劃，地區經濟等等，可能都會有些幫助。

最後一句，有瀏覽器就可以試玩，據説會有City Skylines的感覺呢。

論文傳送門：https://research.fb.com/publications/building-high-resolution-maps-for-humanitarian-aid-and-development-with-weakly-and-semi-supervised-learning/

GitHub傳送門：https://github.com/facebookincubator/RapiD

博客傳送門：https://ai.facebook.com/blog/mapping-roads-through-deep-learning-and-weakly-supervised-training/

試玩傳送門：https://mapwith.ai/