Как вы могли видеть в нашем последнем посте, мы работаем над автоматизацией картографирования трущоб и неформальных поселений в Латинской Америке с помощью нашего инструмента с открытым исходным кодом AP-Latam. Если бы у правительств была обновленная информация о трущобах и их росте, они могли бы улучшить условия жизни пострадавших семей и изменить их будущее. В этом посте мы поговорим о том, как мы имеем дело с сегментацией контуров крыш для каждой потенциальной трущобы, обнаруженной нашей методологией.
Чтобы совместить спутниковые снимки и алгоритмы машинного обучения, мы настроили нейронную сеть ResNet50 и предсказали, на каких тайлах находится неформальное поселение. Подробнее об этом методе вы можете прочитать в вышеупомянутом посте. Чтобы получить лучшие результаты, мы также использовали векторный набор данных блоков и рассчитали пересечение между квадратами и блоками. Если блок покрывал достаточное количество квадратов (не менее 50%), мы выбирали их для формирования нового набора данных блоков, содержащих потенциальные неформальные поселения.
К сожалению, эти результаты плохо согласуются с контурами неформальных поселений. Причина этого в том, что они обычно не следуют официальным кадастровым образцам. Чтобы справиться с этим, мы начали экспериментировать с методами сегментации, чтобы обнаружить крыши в каждой потенциальной трущобе.
Мы обучали архитектуру Mask R-CNN с помощью реализации Matterport с открытым исходным кодом. Мы использовали набор данных SpaceNet для Рио-ду-Жанейро, чтобы переобучить модель и адаптировать ее к спутниковым снимкам. Этот набор данных включает 50-сантиметровые изображения, полученные со спутника DigitalGlobe WorldView-2, и включает в себя контуры зданий и 8-диапазонные мультиспектральные данные. Мы использовали только полосы RGB.
Мы адаптировали данные Spacenet для обучения архитектуры Mask R-CNN, маскирующей каждую плитку, содержащую крыши.
Результаты хороши для обнаружения крыш в жилых районах, но вводят в заблуждение при прогнозировании крыш в трущобах.
Вилка и эксперимент!
Весь исходный код для построения и использования классификатора выложен в открытом доступе на Github с лицензией BSD-2. Вы можете прочитать инструкции о том, как использовать его в своих растровых файлах. Мы также загрузили блокнот, если вы хотите узнать больше о наших экспериментах с контурами крыш.
Если вы хотите узнать больше, вы можете связаться с нами на Gitter, оставить комментарий или связаться с нами через наш веб-сайт. Мы призываем вас внести свой вклад в AP-Latam, как это делает UPenn Data Science Group!
