В июне мы завершили второй конкурс SpaceNet, конкурс по обнаружению объектов на спутниковых снимках, организованный CosmiQ Works, DigitalGlobe и NVIDIA. В этом конкурсе участникам предлагалось представить алгоритмы, которые автоматически обнаруживают следы зданий на спутниковых изображениях, продолжая задачу, первоначально поставленную в первом конкурсе SpaceNet.
Как объяснялось в предыдущем посте, в нашем втором конкурсе использовался новый набор данных, состоящий из спутниковых снимков WorldView-3 и отмеченных следов зданий над четырьмя городами: Лас-Вегасом, Парижем, Шанхаем и Хартумом. Подробности о наборе данных можно найти в этом посте, в том числе о том, как он отличается от того, что использовалось в первом соревновании.
Исходный код трех победителей доступен в репозитории SpaceNet GitHub. Каждое решение поставляется с инструкциями по созданию контейнера Docker, который, в свою очередь, можно использовать для обучения моделей и выполнения логических выводов по новым спутниковым данным.
Результаты второго раунда SpaceNet
Победившее решение было разработано TopCoder XD_XD с окончательной оценкой метрики оценки 0,693, усредненной по четырем городам. Все три лучших участника хорошо выступили в Лас-Вегасе, но столкнулись с трудностями в Шанхае и Хартуме (см. Индивидуальные результаты F1 ниже):
В этом соревновании обнаружение следа здания основано на пересечении по объединению (IoU) 0,5 или больше. На рисунке 2 показано распределение баллов IoU для следов зданий на тестовом наборе микросхем спутниковых изображений. Решение XD_XD превосходит другие конкурсные заявки как по общему баллу F1, так и по среднему индивидуальному баллу IoU для каждой площади здания. Хотя средние индивидуальные оценки IoU (превышающие 0,5) не влияют напрямую на общую оценку F1, они действительно указывают на то, что решение XD_XD создает точные контуры зданий.
Выигрышная реализация: XD_XD
Победившее решение XD_XD представляет собой ансамбль из трех нейронных сетей U-Net. Он использует геопространственную информацию, встроенную в данные обучения, для интеграции дополнительных данных OpenStreetMap в свою модель. Вы можете прочитать больше о решении XD_XD здесь. Полную версию и код можно найти здесь.
Решение XD_XD визуально убедительно. В Лас-Вегасе его решение отлично подходит для оформления загородных домов. В Хартуме решение хорошо работает в отдельно стоящих жилых комплексах. Однако решение XD_XD имеет проблемы с небольшими зданиями, со строениями, расположенными близко друг к другу, и с большими зданиями в Хартуме.
Реализация на втором месте: Wleite
Wleite занял второе место, используя свою кодовую базу из первого конкурса, при этом предоставив более методичную оценку возможных улучшений. Его реализация - это кастомное Java-приложение, не использующее фреймворки глубокого обучения. Он состоит из четырех этапов:
1. Он применяет обнаружение краев к каждой полосе многополосного изображения.
2. Он использует случайные леса для создания двух двоичных классификаторов. Первый классификатор определяет, принадлежит ли пиксель границе, а второй - находится ли пиксель внутри или снаружи здания.
3. Сопоставление многоугольников методом перебора выполняется на основе обнаружения краев и классификации пикселей.
4. Каждый кандидат в многоугольник оценивается на предмет его вероятности иметь IoU более 0,5, и многоугольники ниже определенного зависящего от города граничного значения отбрасываются.
Подробнее о его решении вы можете прочитать здесь.
Реализация третьего места: Nofto
Nofto занял третье место в конкурсе, используя код Wleite из первого конкурса SpaceNet. Nofto изменил код, чтобы использовать многоспектральные изображения с панорамированием резкости, и изменил реализацию случайного леса. Полную версию и код можно найти здесь.
Выводы
Результаты 2-го конкурса SpaceNet показывают, что производительность зависит от региона. В то время как конкурсные работы выделяются тем, что обнаруживают следы от зданий в Лас-Вегасе, в Шанхае и Хартуме заявки принимаются не лучшим образом. Мы призываем читателей изучить победившие решения, разработанные XD_XD, Wleite и Nofto. Набор данных будет по-прежнему доступен на странице SpaceNet AWS, а база кода решения останется доступной в репозитории SpaceNet Github.
Забегая вперед, мы планируем новые соревнования SpaceNet, выходящие за рамки автоматического определения площади зданий. Этой осенью мы объявим конкурс дорожных сетей для 3-го конкурса SpaceNet, и вскоре мы предоставим подробную информацию об этом конкурсе.
