Конкурс SpaceNet 7 Multi-Temporal Urban Development Challenge: объявление победителей
Предисловие: SpaceNet LLC - некоммерческая организация, деятельность которой направлена на ускорение прикладных исследований с открытым исходным кодом и искусственного интеллекта для геопространственных приложений, в частности, фундаментального картографирования (т. е. обнаружения следов зданий и дорожных сетей). SpaceNet управляется в сотрудничестве соучредителем и управляющим партнером CosmiQ Works, соучредителем и сопредседателем Maxar Technologies и нашими партнерами, включая Amazon Web Services (AWS), Capella Space, Topcoder. , IEEE GRSS, Национальное агентство геопространственной разведки и Планета.
Седьмая итерация серии SpaceNet Challenge официально объявлена, и уже определены 5 наших победителей. Задача разновременного городского развития поставила амбициозную цель: выявить и отследить изменение площади застройки в глубоком временном стеке. Мы рады сообщить, что эта непростая задача была решена с высокой степенью изобретательности ведущими конкурентами. Наша общедоступная базовая модель набрала 17 баллов (из 100) в финальном наборе тестов, однако победившая заявка увеличила этот балл более чем вдвое, получив 41 балл. В следующих разделах мы подробно описываем победителей испытания и приводим прелюдия к некоторым выводам, извлеченным из этой проблемы (дальнейший анализ должен подождать до следующих блогов).
1. Фон
Это первая задача SpaceNet, которая явно включает измерение времени и, соответственно, использует новый набор данных спутниковых снимков среднего разрешения от Planet, который охватывает более 100 местоположений по всему миру и 24 последовательных ежемесячных наблюдения, охватывающих несколько сезонов и значительных строительных работ в большинстве мест. . См. Здесь для получения более подробной информации о наборе данных.
Как отмечалось в предыдущих блогах [например, 1] задача идентификации зданий и отслеживания уникальных идентификаторов зданий (т. Е. Адресов) с течением времени имеет множество приложений в гуманитарной сфере, в области городского планирования и реагирования на стихийные бедствия. Мы создали новую метрику SCOT для измерения эффективности отслеживания зданий и выпустили базовый алгоритм, демонстрирующий, что амбициозная цель SpaceNet7 действительно достижима.
2. Победители
В ходе предыдущих шести задач SpaceNet мы наблюдали значительное улучшение алгоритмической производительности. Многие из этих улучшений стали результатом тщательного изучения наборов обучающих данных и внедрения современных архитектур нейронных сетей. Меньше усилий было потрачено на разработку алгоритма; например, в SpaceNet 5 все конкуренты использовали алгоритмическую структуру CRESI, но заменили модели сегментации для достижения небольшого прироста производительности. SpaceNet 7, однако, привела к значительному разнообразию подходов и творческих подходов к постобработке, которые не просто полагались на проверенный (хотя и неинтересный) вариант добавления еще одной модели в ансамбль. Фактически, победившая модель вообще не использовала ансамбль архитектур нейронных сетей и достигла впечатляющих результатов с помощью только одной быстрой модели. В Таблице 1 представлены 5 лучших победителей конкурса из более 300 участников SpaceNet 7.
Из таблицы 1 видно, что ансамбли моделей не являются панацеей, и на самом деле методы постобработки имеют гораздо большее влияние на производительность, чем выбранная индивидуальная архитектура. Мы рассмотрим новые методы постобработки, используемые в следующем блоге. А пока отметим, что выигрышный алгоритм - явный лидер, когда дело доходит до сочетания производительности и скорости, как показано на рисунке 1.
Помимо первых пяти победителей, призы получили лучшие команды студентов и аспирантов. Главный приз студента получает команда SJTJ, занявшая 13-е место, в состав которой входят: LAOS_Y, maxLeung, SKFE, Tennant. Главный приз выпускников получает команда CIVASN, занявшая 10 место, в состав которой входят rbync, imadtoubal, noor_mus99, wyyqwqq.
На рисунках 2 и 3 показаны прогнозы выигрышного алгоритма.
3. Предварительный анализ подходов
Как отмечалось выше, именно в методах постобработки победившие заявки дифференцировались (и будут подробно рассмотрены позже), но есть несколько тенденций в первоначальном подходе к сегментации глубокого обучения, на которые стоит обратить внимание.
3А. Повышение частоты дискретизации Повышенная производительность
Умеренное разрешение изображений представляет собой серьезную проблему при извлечении небольших следов, поэтому несколько конкурентов увеличили разрешение изображений в 3–4 раза и отметили повышение производительности (см. Рисунок 4).
3Б. Трёхканальные тренировочные маски
Небольшие размеры пикселей многих зданий приводят к очень плотной кластеризации в некоторых местах, что усложняет процесс извлечения контуров. Соответственно, несколько конкурентов нашли полезность в многоканальной обучающей маске для сегментации глубокого обучения, которая включает в себя расстояние между зданиями, см. Рисунок 5.
3С. Ансамбли остаются нормой
В то время как алгоритм-победитель отказался от многомодельных ансамблей (к большому выигрышу в скорости), остальные из четырех лучших конкурентов использовали ансамбль моделей сегментации. Типичный подход проиллюстрирован ниже.
4. Выводы
Седьмая итерация SpaceNet Challenge уже запланирована, и ее победителем стал участник-новичок lxastro0. Хотя это выходит за рамки этого блога, чтобы углубляться в них, мы с нетерпением ждем возможности рассмотреть творческие алгоритмы, используемые для решения сложной проблемы отслеживания следов зданий на изображениях среднего разрешения. В конце концов, выигрышный результат SCOT = 0,41 чрезвычайно впечатляет, и в последующих блогах будут более подробно описаны алгоритмы, режимы отказов и истории успеха.
Также напомним, что SpaceNet 7 представлен как соревнование NeurIPS, так что не стесняйтесь проверить предстоящую сессию.
