MIT використовує штучний інтелект для створення Оновлені карти вулиць від супутникових знімків

Ми всі були там - ваш GPS говорить, що, як передбачається, буде чергу йде вгору, і ви довіряєте машині. Потім ви опиняєтеся не в ту сторону або застряг на приватній дорозі ніде розвернутися. Отримання точних карт до рівня вулиць важко, і навіть технічно точні карти може збивати з пантелику, чи не досить докладно. Дослідники з Массачусетського технологічного інституту та Науково-дослідного інституту Qatar Computing (QCRI) об'єднали дві нейронні архітектури мережі для отримання більш точних карт GPS з легкодоступними супутникових зображень.

Це вимагає часу і грошей, щоб зібрати точні картографічні дані, і муніципалітети по всьому світу постійно роблять щипки їх вироблення. Тільки компанії, що має доступ до гір призначених для користувача даних і флотам відображення транспортних засобів є надія на оновлення на регулярній основі, але навіть Google не може зберегти свої дані на всі частини світу уточненого.

Одним з можливих рішень є використання супутникових зображень для отримання точних карт вулиць, але будівлі, дерева і шляхопроводів часто неясні важливі деталі, як підрахунків смуги руху і виходів. Новий документ з MIT і QCRI пояснює, як інструмент, званий RoadTagger може передбачити розташування смуг руху, навіть коли вони не видно.

Якби ви були дивитися на супутниковому зображенні з затемненій проїжджої частини, ймовірно, можна припустити, скільки смуг є і які з них ви повинні були б бути, щоб взяти конкретний вихід. Навчання машини, щоб зробити це з мільйонами зображень є основною обчислювальної завданням, однак. RoadTagger складається з двох частин: сверточное нейронна мережа (CNN) часто використовуються для задач розпізнавання образів і граф нейронної мережі (GNN), який розуміє відносини між точками даних.

CNN RoadTagger сканує вихідні дані зображення і ідентифікує дороги. Потім GNN розщеплюється кожну дорогу на сегменти 20 метрів. Кожен сегмент стає «плиткою» в окремому вузлі графа. CNN дивиться на кожному вузлі графа і збирає функцію, такі як тип дороги і підрахунки провулка. Він розділяє дані з сусідніми вузлами, що розповсюджуються вздовж всієї довжини шляху. Якщо плитка затемняются або неясні, то GNN може використовувати дані CNN з інших вузлів для оцінки умов в цьому розділі.

Команда перевірила RoadTagger з реальними зображеннями з 20 міст США. RoadTagger вдалося правильно ідентифікувати приховані локації LANE 77 відсотків часу. Він також правильно вгадали типи доріг 93 відсотків часу. Версія майбутнє вже планується, що буде стимулювати, що точність і додати підтримку для визначення функцій, таких як автостоянки і велосипедних доріжок.

Читати далі

Тесла Семі на вулиці Каліфорнії

Після демонстрації свого дизайну для електричної напіввагона, компанія працює над графіком агресивного випуску. Проте, транспортний засіб не було помічено в реальному житті до цих пір.

AI на SXSW 2018: з вуликів, етики, моралі та сингулярності

AI захопила увагу людей, що знаходяться далеко за межами технологічного простору, і наслідками технології є далекосяжні, що змінюються галузі, усуваючи багато робочих місць для людей і змінюючи характер роботи.

Nissan переробляє старі електричні акумуляторні батареї на потужні вуличні вогні

Красива річ про цей проект полягає в тому, що коли ми отримаємо більше електричних транспортних засобів на дорозі, ми в кінцевому підсумку приведемо до більш ефективних вуличних ліхтарів із самообслуговуванням.

Нова коаліція спрямована на те, щоб допомогти містам боротися з їздою, вуличними скутерами

Міста стали диким Заходом для транспортування інновацій, але за рахунок збільшення заторів і завалених тротуарів. Новий Фонд Відкритої Мобільності - це те, як міста і селища можуть відштовхуватися і розвивати необхідні інструменти для ефективного управління своїми вулицями і тротуарами в найближчі десятиліття.