英特尔已开发出可以通过卫星图像识别地物的AI模型，用来准确绘制最新的地图。英特尔一直与红十字会紧密合作推进“地图补全”项目，目的是为发展中国家绘制地图，以提高其防范灾害的能力。发展中国家的许多地区都缺乏最新的地图，这意味着在发生自然灾害或传染病时，救援组织难以有效开展工作。
美国红十字会喀斯喀特地区CEO Dale Kunce 是“地图补全”项目的联合创始人，他认为：“对红十字会的工作人员而言，得到准确的地图对于防灾规划和应急响应至关重要。目前世界上很多地区都还没有地图，这使规划工作和灾难应急响应变得十分困难。这就是我们与英特尔进行合作的原因，利用AI来绘制易受灾地区的地图，识别道路、桥梁、建筑物和城市。”
“如果飓风来袭之前你不清楚每一条道路分布在哪里，那么飓风过后你就不会知道哪里发生了洪灾，哪些道路被冲走了，哪些道路还留在那里。”英特尔AI实验室深度学习数据科学家Alexei Bastidas在一条英特尔播客中说，“如果没有足够精确的地图，不了解灾害发生之前的地貌，那么在灾害发生时就很难及时作出响应。还有一个问题需要考虑，有很多灾害是与天气有关的，例如龙卷风、台风、飓风、甚至火山爆发。这些事件会挡住卫星传感器，因为它们产生了云层……对红十字会的工作人员来说，要及时响应这类事件极具挑战。”
目前， “地图补全”项目有一支志愿者队伍，他们浏览卫星图像，识别道路、城镇、桥梁和其他基础设施。志愿者们手动更新一个名为“开放街道地图”的开源地图，既费时又费力。
英特尔AI实验室与Mila和CrowdAI合作，共同开发出图像分割模型，利用模型从卫星图像中识别出乌干达地图中遗漏的桥梁。由于采用图像分割模型性能更好，所以不再使用对象检测方法。他们选择桥梁作为试验对象，因为桥梁是极易受到洪水等自然灾害威胁的重要基础设施。系统共发现70座桥梁在以前的地图中遗漏了（图1）。乌干达国家协会可以利用这些数据更好地规划疏散及救援路线。
图1：系统发现乌干达的开放街道地图或统计局地图遗漏了70座桥梁。（图片来源：英特尔）
解读卫星图像非常具有挑战性。Bastidas提到，其中的一个挑战是缺乏明显的上下参考框架，而且，卫星图像并非总是从正上方拍摄，这意味着同一个地物可以从不同角度看到。由于当地地形以及基础设施和建筑风格不同，因此很难利用世界其他地区的标签数据进行模型训练。即使是同一个国家的图像，夏季和冬季的地形看起来可能也大不相同，而桥梁等地物的尺寸和样式也表现出巨大的差异。
因此，英特尔的训练数据集只能来自乌干达。实际上，他们选择了乌干达北部的一个地区，使用相同桥梁的多个不同图像，以便模型能够了解季节性和天底角（nadir angle）的变化。
这些模型首先查找水路和公路地物，并将二者的交叉点标记出来，作为桥梁的候选点。每一个桥梁候选点30米以内的已知桥梁都会被忽略。在这些交叉点周围画一个限定框，再提取限定框区域的卫星图像。模型然后对卫星图像进行解析，看其中是否包含桥梁。
这些模型在带有DL Boost和nGraph的第二代Intel Xeon可扩展处理器（Cascade Lake）上运行。Bastidas说，之所以选择这种处理器，是因为其尺寸巨大。卫星图像通常有1,024个方形像素（square pixel），而芯片最好能一次处理整个图像。
Bastidas称，该项目接下来可能会建立模型来帮助人们标绘志愿者的位置，也许还可以预测桥梁的位置，但最终还是要根据人眼所看到的来做出判断。
Bastidas称：“我们还想尝试一些方法，以利用现有的开源数据建立更稳健、更通用的模型，而更好地适应这一具有不同地貌的地区。”
（原文刊登于ASPENCORE旗下EETimes欧洲网站，参考链接：AI Generates Maps for Disaster Preparedness。）
本文为《电子技术设计》2020年03月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
