UYDU GÖRÜNTÜLERİNDE YOLLARIN HIZLI ETİKETLENMESİ İÇİN YOL KILAVUZLU BİR YÖNTEM

Özet

Uydu görüntülerinden yolların belirlenmesi konusundaki araştırmalar veri yoğunluklu makine öğrenimi yöntemlerindeki gelişmelerle birlikte hız kazanmıştır. Bu duruma erişilebilir veri miktarının artması da katkıda bulunmuştur. Öğrenmeye dayalı yaklaşımlarda karşılaşılan önemli bir zorluk, sistemleri eğitmek için gerekli etiketli verilere ulaşmaktır. Bu çalışmada, istenen herhangi bir konumun uydu görüntüleri üzerinden yolları hızlı bir şekilde etiketlemek için bir yöntem öneriyoruz. Yöntemimiz, OpenStreetMap'ten elde edilen 2B yol bilgisini kullanmaktadır. OpenStreetMap coğrafi olarak konumlandırılmış bilgiler içeren ve insanların katkısıyla oluşturulmuş çevrimiçi bir ortamdır ve burada yollar, kesin şekilleri ya da boyutları olmaksızın kabaca çizgi segmentler olarak tanımlanmıştır. Bu kaba bilgileri kullanarak, kullanıcıların sunulan uydu görüntüleri üzerinden yol sınırlarını kolayca etiketledikleri basit bir etkileşimli kullanıcı arayüzü öneriyoruz. Sunulan yaklaşım ile farklı yol özelliklerine sahip bölgeler hızlı bir şekilde etiketlenebilir. Bu durum tüm çevrelere uygun tek bir sistem eğitmek yerine daha etkili olabilecek şekilde farklı bölgelere özelleşmiş, ayrı makine öğrenimi sistemlerinin eğitilmesine de olanak tanımaktadır.

Abstract

Determining roads from satellite images has gained more research interest after the recent progress on data-heavy machine learning methods which are also accelerated by the increased amounts of accessible data. An important challenge of learning-based approaches is obtaining labeled data to train the systems. In this study, we propose a method for quickly labeling roads over satellite images of any desired location. Our method exploits the 2D path information obtained from OpenStreetMap, an online community-contributed source of geolocated information. In this environment, roads are roughly described as line segments without their exact shapes and sizes. Using this rough information, we propose a simple interactive user interface where users easily label the road boundaries over presented satellite images. Using our approach, it is possible to rapidly label regions with different road characteristics. Such an approach allows for training separate machine learning systems for different parts of the world which would be advantageous over training a single system to identify all kinds of roads.