儘管全球衛星導航（GPS）系統已經在民用市場得到了廣泛的應用，但人們在日常駕駛的過程中仍難以避免拐錯路口的尷尬。
好訊息是，來自麻省理工學院（MIT）和卡達計算機研究所的一支團隊，想到了藉助衛星影象來增強現有地圖資料的方法。
其中最吸引我們的，莫過於藉助人工智慧（AI）來計算被資料和建築物所遮擋的道路佈局。
【來自：MIT，via New Atlas】
這項被稱作“道路標記”（RoadTagger）的技術，旨在衛星影象上運用機器學習技術。
系統能夠高度準確地找出道路上的一些額外細節（比如有多少條車道），從而提供有關岔路口或車道合併等預警資訊。
此外，RoadTagger 可用於對非機動車道和停車位的合理預估，在缺乏地圖資料的地方特別實用（相對快速和低開銷地為地圖補充額外的細節）。
MIT 的 Sam Madden 表示：“大公司總是傾向於為重點區域提供最新的數字地圖，小地方反而容易被忽視”。
基於此，研究團隊決定專注於高質量數字地圖的自動化生成過程，以便能夠在任何國家和地區使用。
在美國 20 個城市的測試期間，RoadTagger 系統能夠以至少 77％ 的準確度對行車道進行計數，即便道路的視野被完全或部分遮擋。
在道路型別的識別上（住宅區或高速公路），RoadTagger 的準確率更是達到了 93% 。
此外，機器學習系統可識別土路或羊腸小道，以及被立交橋等環境給遮蔽的道路特徵。
據悉，支撐 RoadTagger 的程式 AI 可將道路分割成多個圖塊，並在檢視被遮擋時呼叫周圍圖塊的資訊，來幫助確定道路的佈局。
作為一個‘端到端’模型，其能夠在原始資料中生成輸出，而無需人工的干預。
鑑於衛星影象通常比地圖資料更新得更加及時和有固定頻次，RoadTagger 的應用前景還是相當光明的。
儘管全球衛星導航（GPS）系統已經在民用市場得到了廣泛的應用，但人們在日常駕駛的過程中仍難以避免拐錯路口的尷尬。
好訊息是，來自麻省理工學院（MIT）和卡達計算機研究所的一支團隊，想到了藉助衛星影象來增強現有地圖資料的方法。
其中最吸引我們的，莫過於藉助人工智慧（AI）來計算被資料和建築物所遮擋的道路佈局。
【來自：MIT，via New Atlas】
這項被稱作“道路標記”（RoadTagger）的技術，旨在衛星影象上運用機器學習技術。
系統能夠高度準確地找出道路上的一些額外細節（比如有多少條車道），從而提供有關岔路口或車道合併等預警資訊。
此外，RoadTagger 可用於對非機動車道和停車位的合理預估，在缺乏地圖資料的地方特別實用（相對快速和低開銷地為地圖補充額外的細節）。
MIT 的 Sam Madden 表示：“大公司總是傾向於為重點區域提供最新的數字地圖，小地方反而容易被忽視”。
基於此，研究團隊決定專注於高質量數字地圖的自動化生成過程，以便能夠在任何國家和地區使用。
在美國 20 個城市的測試期間，RoadTagger 系統能夠以至少 77％ 的準確度對行車道進行計數，即便道路的視野被完全或部分遮擋。
在道路型別的識別上（住宅區或高速公路），RoadTagger 的準確率更是達到了 93% 。
此外，機器學習系統可識別土路或羊腸小道，以及被立交橋等環境給遮蔽的道路特徵。
據悉，支撐 RoadTagger 的程式 AI 可將道路分割成多個圖塊，並在檢視被遮擋時呼叫周圍圖塊的資訊，來幫助確定道路的佈局。
作為一個‘端到端’模型，其能夠在原始資料中生成輸出，而無需人工的干預。
鑑於衛星影象通常比地圖資料更新得更加及時和有固定頻次，RoadTagger 的應用前景還是相當光明的。