Utilisation de données GPS collectées par le crowdsourcing pour l'extraction des routes à partir d'images aériennes

L'apprentissage profond est en train de révolutionner l'industrie de la cartographie. Sous une supervision humaine légère, un ordinateur a généré près de la moitié des routes en Thaïlande sur OpenStreetMap (OSM) à partir d'images aériennes à haute résolution. Bing Maps affiche 125 millions de polygones de bâtiments générés par ordinateur aux États-Unis. Bien que considérablement plus efficace que la cartographie manuelle, il n'est pas possible de tout cartographier depuis le ciel. En particulier pour les routes, une petite lacune dans la prédiction due à l'occlusion d'image peut rendre toute la route inutilisable pour le routage. Les mauvaises connexions peuvent être encore plus dangereuses. Par conséquent, la cartographie basée sur l'informatique nécessite souvent des vérifications locales, ce qui reste laborieux. Dans cet article, nous proposons d'utiliser les données GPS collectées par le public pour améliorer et soutenir l'extraction des routes à partir d'images aériennes. Grâce à des techniques novatrices d'augmentation de données, de rendu GPS et de convolution transposée 1D, nous montrons des améliorations d'environ 5 % par rapport aux modèles précédemment primés lors de compétitions, ainsi qu'une robustesse bien supérieure lors de la prédiction de nouvelles zones sans aucune nouvelle donnée d'entraînement ou adaptation de domaine.