告別街景拍攝車？機器學習可根據衛星圖像描繪地面

編者按：來自加州大學默塞德分校的鄧薛慶和他的同事們研究出一項新技術，能根據衛星圖像描繪出該地區的地面視圖，這將大大減輕地理學家的工作強度。本文經授權譯自MIT Technology Review原標題為" GIVEN A SATELLITE IMAGE, MACHINE LEARNING CREATES THE VIEW ON THE GROUND"的文章。

達芬奇著名的繪畫作品展示了義大利某些地區的鳥瞰圖，其中的一些細節在攝影和飛行器被發明出來之前是不可能完成的。事實上，許多評論家都想知道他是如何想像出這些細節的。

但是現在，研究人員正在研究一個逆問題：若給出地球表面的衛星圖像，那麼這個區域從地面看起來會是什麼樣呢？這樣一個人為構造出的圖像能有多準確？

如今，隨著來自加州大學默塞德分校的鄧薛慶和他的同事們的研究出的成果，我們得到了答案。他們訓練了一種機器學習演算法，可以通過觀察衛星圖片，來描繪出地面視角的圖像。

這項技術是基於一種被稱為「生成對抗網路」的機器智能。它包括兩個神經網路，分別稱為生成器和鑒別器。

生成器生成的圖像，然後鑒別器根據一些學習的標準進行評估，比如評估它們與giraffes的相似程度。通過使用鑒別器輸出的內容，生成器逐漸學會產生像giraffes一樣的圖像。

在這個實驗中，鄧薛慶和他的同事使用了地面的真實圖像和相應位置的衛星圖像來訓練鑒別器。因此，這項技術學習了如何將地面圖像與它的俯視圖關聯起來。

當然，訓練所使用的數據集的質量很重要。該小組使用的是LCM2015地面覆蓋圖，它涵蓋整個英國精確到每千米的土地。然而，該團隊只運用了包括倫敦和周邊鄉村在內的71x71公里的網格上的數據。針對這個網格中的每個位置，他們從一個叫做Geograph的在線資料庫下載了相應的地面視圖。

接下來，研究小組用16000對俯視圖和地面視圖對鑒別器進行了訓練。

訓練完畢後，接下來開始生成地面圖像。他們把一組特定位置的4000個衛星圖像輸入生成器，結合來自鑒別器的反饋，生成器為每個衛星圖像創建了相應的地面視圖。該團隊用4000張俯視圖對系統進行了測試，並將其產生的地面視圖與地面實況圖像進行了比較。

其結果非常有趣。如果對圖像質量要求相對較低，網路會產生看似合理的圖像。所生成的圖像捕捉到了地面的基本特徵，比如它顯示了道路，能夠區分土地是農村還是城市地區等等。鄧薛慶和他的同事們表示：「生成的地面圖像看起來很自然，儘管正如預期的那樣，它們缺乏真實圖像的細節」。

這個功能很巧妙，但它有多大用處呢？地理學家的一項重要任務是根據土地的用途對土地進行分類，例如，某片土地是農村還是城市。

地面圖像對土地分類很關鍵。然而，現有的相關資料庫很稀少，特別是在農村地區，所以地理學家必須在圖像之間進行人為插值，這比純猜測好一些。

現在，鄧薛慶和他的同事們生成的對抗網路提供了一種全新的方式來劃分土地用途。當地理學家想要知道一些地點的地面視圖時，他們可以簡單地用基於衛星圖像的神經網路來創建地面視圖。

鄧薛慶和他的同事們甚至比較了這兩種方法——人為插值與圖像生成。圖像生成技術最終正確確定了73%的土地使用情況，而人為插值方法的正確率只有65%。

這是一項很有趣的工作，並且可以讓地理學家的工作更輕鬆。但鄧薛慶和他的同事們有更大的野心。他們希望改進圖像生成過程，以便將來在地面圖像中產生更多的細節。屆時，達芬奇肯定會被折服。

編譯組出品。編輯：郝鵬程

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！