栗子 发自 麦蒿寺
这个星球上，还有很多地方没有地图。
即便是已经有地图，也会有很多道路没标出来。
光靠人类的话，这项任务还是太费时费力，要是AI能帮忙就好了。
于是，出现了名叫Map With AI的应用，用深度学习分析卫星图像，标出道路 (也能标出建筑) 。
粉红色的就是AI标注
有了它，人类不用手动画出道路的走向，只要点一下AI标出的路，确认它真是一条路就够了。
应用来自Facebook，团队已经用它填补了泰国超过30万英里缺失的路。泰国全境一共60万英里路，便这样标注完整了：
研究人员说，原本需要三五年的事，这次只花了一年半。
LeCun大佬把这个成果发上推特，已有近千人赞许：
那么，道路标注完整很重要么？
举个例子，发生灾害的时候，地图缺失道路会严重影响救援工作。所以，还是标注完整的好。
比如，去年印度喀拉拉邦遇上洪水，几百万人受灾。Facebook收到求助消息，几天内在灾区地图上增加了大约21500条路，帮助救灾。
不止对泰国和印度有用，团队用弱监督方法训练的AI，在世界各地不同的道路网络上有效泛化。
团队说，这AI有足以商业化的精确度，不过编辑器的代码是开源的。
先来观察一下技术原理吧。
嘈杂的，才是世界的
介绍一点点前情：
2004年，世界上诞生了叫做OpenStreetMap (开放街道地图) 的地图协作计划，简称OSM，内容是开放的，人人皆可编辑。
2013年，又有了名叫“iD”的地图编辑器，人类可以用它在地图上标出桥梁和街道。这个工具成了OSM的默认编辑器。
Facebook便是在iD的基础上，用深度学习孕育了RapiD，一个新的编辑器。
编辑器背后的神经网络，叫做DLinkNet-34，有34层。
训练用的数据十分庞大，是用航天技术公司Maxar提供的、全球各地的卫星图像加工而来。
要让神经网络适应各地的道路差异，加工方法非常关键。
其实，泰国项目得出的地图非常完整，又有领域专家把关，Facebook对泰国地图数据十分自信。但用这些数据训练的模型，却在其他地区泛化很差。于是，团队才想了新方法：
借助OSM (开放街道地图) 系统里现有的数据，筛选出数据准确、数据充足的区域。
具体方法是，把地图分割成2048×2048大小的图块，每个像素大约代表实际土地的60公分；然后，把道路标注少于25条的图块都过滤掉。
为了和CVPR 2018举办的DeepGlobe地图比赛数据集保持一致，团队把余下的图块又截成了1024×1024大校
最终得到180万个图块，覆盖六大洲70万平方英里(约180万平方公里) 土地。相比之下，DeepGlobe数据集只有630平方英里，千分之一不到。
这样一来，就不会像DeepGlobe比赛数据集那样，只包含印度、印尼和泰国这少数几个地区，也不会严重偏向某种特定的地区发展水平。
选出可用的图块后，要把OSM里的道路向量栅格化(Rasterize) 到5像素，生成分割掩码 (Segmentation Masks) ，就是嘈杂的标签。
注意，这和常规操作并不一样，一般的语义分割需要完美的标签；可这世上的道路千奇百怪，宽窄不一，形状各异，太完美的标签不易于泛化，嘈杂反而会有优势。
实验证明，只用嘈杂的标签，它就可以和DeepGlobe的其他选手起鼓相当。再加一点微调，就成了道路提取的State-of-the-Art。
最重要的是，它在全球范围内泛化得很好，不至于走出泰国便一脸蒙蔽。
为什么还需要人类？
就像开头说的那样，粉红色是AI识别的道路。
而粉红色的不同亮度，代表识别的置信度。
既有置信度，就是说AI标注的结果也不一定是正确答案。
有时候，它还是可能认错：比如河床，比如狭长的海滩，比如运河，都是容易混淆的特征；
另外，路与路之间的连接点，也有可能会被忽略。
于是，团队开源了RapiD编辑器。AI已经给出粉红色的街道标注，只要点一下，人类就可以确认那是一条路：
对比之下，它的前辈iD编辑器，每一条路都需要手动画：
有了RapiD，速度可以加快许多。
其实，RapiD是iD的一个扩展，而iD又是OSM默认的编辑器。
所以，RapiD的编辑结果，可以轻松和OSM现有的数据库结合并起来：
有个Conflation功能，提供了如何把新增道路和已有数据结合的建议，也能避免新路把老路抹掉。
左是AI标注，右是与现有数据结合
人机合作，十分美好。
One More Thing
如今，不止泰国的街道地图完整了，印尼的路也补全到了90%。
除此之外，AI生成的阿富汗、孟加拉国、印度尼西亚、墨西哥、尼日利亚、坦桑尼亚和乌干达街道地图，都可以在OSM上找到。
这些数据非常宝贵，对各个国家的灾难响应，社区规划，地区经济等等，可能都会有些帮助。
最后一句，有浏览器就可以试玩，据说会有City Skylines的感觉呢。
论文传送门：
https://research.fb.com/publications/building-high-resolution-maps-for-humanitarian-aid-and-development-with-weakly-and-semi-supervised-learning/
GitHub传送门：
https://github.com/facebookincubator/RapiD
博客传送门：
https://ai.facebook.com/blog/mapping-roads-through-deep-learning-and-weakly-supervised-training/
试玩传送门：
https://mapwith.ai/
作者系网易新闻网易号“各有态度”签约作者
完
近期精选阅读
