SpaceNet: Ein Fernerkundungsdatensatz und eine Reihe von Herausforderungen

Grundlegende Kartierung stellt in vielen Regionen der Welt weiterhin eine Herausforderung dar, insbesondere in dynamischen Szenarien wie Naturkatastrophen, bei denen zeitgerechte Aktualisierungen entscheidend sind. Die Aktualisierung von Karten ist aktuell ein hochgradig manueller Prozess, der eine große Anzahl von menschlichen Beschriftungsassistenten erfordert, um entweder Merkmale zu erstellen oder automatisierte Ausgaben sorgfältig zu validieren. Wir schlagen vor, dass die häufigen Wiederholflüge von Erdbeobachtungssatellitenkonstellationen bestehende Bemühungen beschleunigen könnten, um grundlegende Karten schnell zu aktualisieren, wenn sie mit fortgeschrittenen maschinellen Lernverfahren kombiniert werden. Dementsprechend veröffentlichten die SpaceNet-Partner (CosmiQ Works, Radiant Solutions und NVIDIA) einen großen Datensatz von beschrifteten Satellitenbildern auf Amazon Web Services (AWS), der als SpaceNet bezeichnet wird. Die SpaceNet-Partner starteten auch eine Reihe öffentlicher Preiswettbewerbe, um Verbesserungen von Fernerkundungsalgorithmen des maschinellen Lernens anzustoßen. Die ersten beiden dieser Wettbewerbe konzentrierten sich auf die automatische Extraktion von Gebäudesilhouetten, während die jüngste Herausforderung sich auf die Extraktion von Straßennetzen fokussierte. In diesem Artikel diskutieren wir die SpaceNet-Bilder, -Beschriftungen, -Auswertungsmaßstäbe sowie die bisherigen Ergebnisse der Preiswettbewerbe und zukünftige Pläne für die SpaceNet-Herausforderungsreihe.