政府和人道主义组织需要有关建筑和基础设施随时间变化的可靠数据，以管理城市化、分配资源和应对危机。然而，全球南方的许多地区需要更多地获取及时、准确的建筑物数据，这使得跟踪城市增长和基础设施发展变得困难。缺乏这些数据会阻碍有效的规划和救灾工作。当前检测建筑物的方法通常依赖于高分辨率卫星图像，该图像提供建筑物足迹的详细图像。然而，高分辨率图像通常是零星捕捉的，有时相隔数年，因此很难跟踪建筑物随时间的变化，尤其是在农村或快速发展的地区。
Google 研究人员推出了开放建筑 2.5D 时态该数据集旨在解决城市人口快速增长的问题，特别是在全球南方，预计到 2050 年，城市地区将大幅扩张。与之前依赖高分辨率图像的工作不同，这个新数据集利用了 Sentinel-2 卫星捕获的图像由欧洲航天局提供，其分辨率较低，但在全球范围内每五天捕获一次图像。通过使用新颖的机器学习方法，该数据集可以估计建筑物存在和高度随时间的变化，覆盖 2016 年至 2023 年的较大地理区域。
该数据集背后的核心思想涉及使用学生的组合-基于HRNet架构的教师模型。教师模型接受高分辨率卫星图像的训练，提供地面真实标签。学生模型在较低分辨率的 Sentinel-2 图像上进行训练，旨在在不直接看到高分辨率图像的情况下重新创建教师的预测。通过利用 Sentinel-2 数据的多个时间帧（每个位置最多 32 个图像），该模型提高了分辨率并高精度地检测建筑物足迹。这种方法使模型的平均交并集 (IoU) 达到 78.3%，接近使用高分辨率图像获得的 85.3% 的准确度。该数据集还包括用于估算建筑物高度和数量的工具，高度估算和可靠的建筑物数量预测的平均绝对误差为 1.5 米。
总而言之，Google 开放建筑 2.5D 时态数据集取得了显着进步使用公共卫星图像检测和监测南半球的建筑物变化。通过结合使用频繁、低分辨率的 Sentinel-2 图像和机器学习模型，它提供了一种创新的解决方案，解决缺乏准确、最新的建筑物数据的问题。所提出的方法不仅提高了跟踪城市地区变化的能力，而且还支持数据通常匮乏的地区更好的规划和危机应对。
查看数据集和博客。这项研究的所有功劳都归功于该项目的研究人员。另外，不要忘记在 Twitter 上关注我们并加入我们的 Telegram 频道和 LinkedIn 群组。如果您喜欢我们的工作，您一定会喜欢我们的时事通讯。
别忘了加入我们 50k+ ML SubReddit
Pragati Jhunjhunwala 是 MarktechPost 的咨询实习生。她目前正在卡拉格普尔印度理工学院 (IIT) 攻读学士学位。她是一名技术爱好者，对软件和数据科学应用领域有着浓厚的兴趣。她经常阅读有关人工智能和机器学习不同领域的发展动态。