رؤية الطرق من خلال الأشجار: معيار لنمذجة الارتباطات المكانية باستخدام الصور الجوية

فهم مشهد صورة قمرية أو جوية عالية الدقة بشكل كامل غالباً ما يتطلب الاستدلال المكاني على سياق ذي صلة واسع. نظام التعرف على الأشياء لدى الإنسان قادر على فهم الأشياء في المشهد ضمن سياق ذي صلة بعيد المدى. على سبيل المثال، إذا راقب الإنسان مشهداً جوياً يظهر فيه أجزاء من الطريق مقطوعة بواسطة الغطاء الشجري، فسيكون من غير المرجح أن يستنتج أن الأشجار قد قسمت الطريق إلى أجزاء منفصلة، بل سيعتقد أن غطاء الأشجار المجاورة يخفي الطريق. ومع ذلك، فإن البحوث المحدودة فقط تجرى لفهم كيفية معالجة السياق البعيد المدى في نماذج التعلم الآلي الحديثة. في هذا العمل، نقترح مجموعة بيانات مرجعية للتقسيم الطرقي، وهي "تشيسابيك روود سبيسيال كونتيكست" (Chesapeake Roads Spatial Context - RSC)، لتقييم فهم السياق المكاني البعيد المدى لنماذج التعلم الجغرافي الآلي ونوضح كيف يمكن لبعض النماذج الشائعة الاستخدام في التقسيم الدلالي الفشل في هذه المهمة. على سبيل المثال، نوضح أن شبكة U-Net التي تم تدريبها على تقسيم الطرق من الخلفية في الصور الجوية تحقق نسبة استرجاع تبلغ 84٪ للطرق غير المحجوبة، ولكن نسبة الاسترجاع تنخفض إلى 63.5٪ فقط للطرق التي تغطيها الأشجار رغم أنها تم تدريبها لنمذجة كلتا الحالتين بنفس الطريقة. كما نقوم بتحليل كيفية تغير أداء النماذج مع اختلاف المسافة بين السياق ذي الصلة والقرار (الطرق غير المحجوبة في حالتنا). لقد أطلقنا الرمز البرمجي لإعادة إنتاج تجاربنا ومجموعة البيانات التي تحتوي على الصور والأقنعة لتشجيع البحث المستقبلي في هذا الاتجاه -- https://github.com/isaaccorley/ChesapeakeRSC.