Наша группа данных регулярно составляет карту инфраструктуры в масштабе страны, как и в предыдущих проектах, чтобы построить полную карту школ в Колумбии или определить высоковольтные вышки в Нигерии, Пакистане и Замбии. Мы сторонники подхода к картированию с помощью искусственного интеллекта, который сочетает в себе процессы машинного обучения (ML) и нашу команду специалистов по картографии для быстрого получения высокоточных данных. Однако работа на уровне страны (с десятками миллионов спутниковых изображений) означает, что наши модели машинного обучения неизбежно допускают некоторые ошибки. Чтобы справиться с этими ошибками, мы создали плитки osm-покрытия, которые помогают получить представление об инфраструктуре из OpenStreetMap без необходимости вручную проверять каждое предсказание машинного обучения перед его отображением. Osm-охват-плитки собирает совокупную информацию об инфраструктуре (в частности, зданиях и дорогах) из OpenStreetMap и помогает определить приоритеты, как и где проверять прогнозы машинного обучения. Он подготавливает набор плиток, который можно визуализировать в приложении для просмотра (например, JOSM) или в сочетании с утилитой для фильтрации предсказанных плиток перед просмотром вручную.
Многие достопримечательности (POI) расположены в населенных пунктах, а это означает, что поблизости должна быть дорожная сеть и другая инфраструктура. Например, в школу можно попасть, по крайней мере, по одной дороге и рядом с группой зданий. Таким образом, можно предположить, что обнаружение школ, недоступных по дорогам и вдали от других населенных пунктов, скорее всего, является ложноположительным прогнозом. Мы создали плитки osm-покрытия как средство управления предсказаниями машинного обучения, добавив контекстный слой на основе правил, который удаляет точки интереса, расположенные не рядом с дорогами. В этом случае мы смотрели, есть ли на спутниковом снимке какой-нибудь интересный объект, например, школа. Затем этот слой действует как фильтр для удаления прогнозируемых POI, находящихся далеко от дорог и населенных пунктов. Используя этот инструмент, можно значительно уменьшить количество ложноположительных прогнозов и сэкономить время на этапах ручной проверки. Это очень важно при работе в масштабах страны, где проверка прогнозов ML может потребовать нескольких дней или недель усилий.
osm-охват-плитки достаточно гибок, чтобы создавать слой покрытия с разными уровнями масштабирования. Это важная функция, поскольку она позволяет пользователю настроить фильтр в соответствии со своими потребностями. Использование более низких уровней масштабирования (и низкого пространственного разрешения) делает фильтр относительно свободным. При более высоких уровнях масштабирования (и высоком пространственном разрешении) мы требуем, чтобы дороги и здания находились относительно близко к предлагаемому POI. Мы сочли полезным протестировать различные увеличения, такие как 14, 15, 16 и т. Д., И количественно оценить, какой уровень лучше всего отфильтровывает неверные прогнозы машинного обучения.
Инструмент имеет открытый исходный код, и вы можете найти пример использования здесь. Мы хотим услышать от вас, полезно ли это - свяжитесь со мной в Twitter или GitHub! Мы надеемся регулярно публиковать плитки покрытия в будущих блогах для разных регионов мира.
