基于深度学习的道路自动化提取

当今世界任然有数百万公里甚至更多的道路没有录入到我们的地图中,尤其是在发展中国家更是有大量的道路没有进行数字化,即使是在发大的城市中也有许多道路未能及时更新(如下图所示),而这对于导航、灾害应急都极为重要,而绘制这些发展中国家的道路又比较困难,如果用传统的方式采用线下测绘,或者用人工解译的方式在遥感影像上勾绘,缺点显而易见:投入成本高、绘图周期长、消耗大量的人力物力。

而随着人工智能近几年的发展,尤其是在计算机视觉上的重大突破,再结合遥感影像对于各个地区的快速更新能力,使得我们有能力去快速绘制那些被遗漏下的道路。

我们极海利用深度学习中的卷积神经网络,结合SpaceNet提供的全球四个城市的训练数据,完成高分辨率影像的道路信息提取方案。

我们知道,道路有多种多样,柏油路、水泥路、土路,形状也复杂多变,有弯曲的,直线形式的,而深度卷积神经网络的优势便是,能够从海量的特征中找出这些道路的共性,提取出这些道路的特征,进而做出正确的判断。利用深度卷积神经网络中的语义分割技术对模型进行训练,然后对每个像素做出预测,得到最后的分割图:

下面模型在四个城市的部分预测结果:

拉斯维加斯

喀土穆

巴黎

上海

8000公里长,覆盖3011平方公里的遥感影像,只要几十分钟便可以提取完成,相对于传统的方式来说,提取效率是数量级的提升,相信随着人工智能的发展,实时的从遥感影像提取道路以及其他信息,比如建筑物、建成区等等,都将不在是难题。

当然这只是一个初步的研究,还有许多不完善的地方,后续我们将从以下几个方面继续提升遥感影像道路的信息提取:

  • 提升复杂地形下的卷积神经网络模型精度;
  • 低分辨率下的道路信息提取;
  • 对预测结果就行后处理,如CRF、道路骨架提取、更加友好的提取结果可视化;
  • 提供在线的API接口;

sshuair

Play with Geodata.