Développement basé sur l'IA de nouveaux ensembles de données Open Buildings dévoilés

Maison

Nouvelles

10 avril 2025

HarryGonzález

# ai # Maps # research

Développement basé sur l'IA de nouveaux ensembles de données Open Buildings dévoilés

En 2021, l'équipe de Google Research Africa a lancé Open Buildings, un ensemble de données open source qui cartographie les empreintes de construction dans le Sud mondial en utilisant l'IA et l'imagerie satellite haute résolution. Leur objectif était assez simple: brancher un gros trou dans les données sur la population et la densité dans les pays en développement. Maintenant, avec la troisième version, leur ensemble de données possède des polygones pour un énorme 1,8 milliard de bâtiments répartis sur 58 millions de km² en Afrique, en Asie du Sud et du Sud-Est, en Amérique latine et dans les Caraïbes. Un tas de gens, des gouvernements à l'ONU, et même des chercheurs et des organisations à but non lucratif, ont utilisé des bâtiments ouverts pour maîtriser la taille et la distribution de la population. Cela les a aidés à mieux planifier des choses comme les lecteurs de vaccination et la réponse aux catastrophes. De plus, il a même renforcé Google Maps en ajoutant des millions de bâtiments qui n'étaient pas mappés auparavant. L'équipe, basée au Ghana, mais avec des membres dispersées à travers des endroits comme Tel Aviv et Zurich, a été en mission pour rendre le projet encore plus utile. "Nous sommes toujours en mode hackathon, en essayant de nouvelles idées et en relevant des défis", a déclaré le directeur de Google Research Program Abdoulaye Diack. "Une chose que nous ne pouvions pas faire avec l'ensemble de données original a été de montrer comment les domaines changent avec le temps - c'était statique. Et c'est quelque chose que nos partenaires voulaient vraiment." Les fournisseurs d'images satellites commerciaux se concentrent généralement sur les zones qui apportent les dollars, laissant environ 40% du monde, principalement le Sud mondial, sans couverture haute résolution régulière. Certains spots éloignés et les établissements informels ne reçoivent aucune couverture. Pendant ce temps, l'imagerie open source du satellite Sentinel-2 de l'Agence spatiale européenne, qui prend une photo mondiale tous les cinq jours, était considérée comme trop basse pour la détection des bâtiments. Mais l'équipe a pensé que ce n'était peut-être pas un gros problème qu'ils le pensaient, alors ils ont donné un coup de feu. Tout d'abord, ils ont nourri un seul cadre basse résolution de Sentinel-2 dans leur modèle et lui ont demandé de dessiner des polygones de construction. "C'était difficile, mais nous avons vu le potentiel", explique Abdoulaye. "Nous avons donc dit au modèle de nous donner simplement les masques du bâtiment - des données de pixels binaires liées à des endroits spécifiques. Cela a bien fonctionné, et nous avons pensé:" Hé, nous pouvons le faire. "" Après un an de peaufinage du modèle, ils ont déployé l'ensemble de données temporaire d'Open Buildings 2.5D le mois dernier. Il couvre 2016 à 2023 et donne un instantané annuel de présence de construction et compte dans une grande partie du Sud mondial, plus des hauteurs de construction. Cela montre comment les villes changent en raison du développement, des catastrophes et d'autres facteurs. Les utilisateurs peuvent choisir une région, basculer dans les années et regarder le monde se développer et rétrécir dans un affichage coloré de formes. "D'ici 2050, environ 2,5 milliards de personnes pourraient déménager dans les villes, principalement dans le Sud mondial. Cet ensemble de données pourrait changer la donne pour les gouvernements et les organisations traitant de cette croissance", a déclaré Olivia Graham, directeur des produits de Google Research. "Si la planification d'une ville où mettre des services essentiels comme les soins de santé et l'éducation, ou où construire des infrastructures comme les fournitures d'eau et d'énergie, cet ensemble de données montre dans quels domaines se développent rapidement." Le 28 septembre 2018, un tremblement de terre de magnitude de 7,4 de 7,4 au large de la côte indonésienne a déclenché un tsunami, ce qui a un impact sur environ 1,5 million de personnes sur Sulawesi. L'ensemble de données montre comment la zone construite s'est retirée de la côte après la catastrophe. Vous pouvez le vérifier dans notre application Interactive Earth Engine. Vous pouvez également voir la construction de New Caire, en Égypte, dans la démo de données temporelles Open Buildings 2.5D. Alors, comment l'équipe a-t-elle réussi à obtenir son modèle pour lire les images satellites floues de Sentinel-2 et détecter en toute confiance les bâtiments? Ils ont commencé par aiguiser les choses. "Nous avons utilisé une configuration de modèle d'enseignant-étudiant pour" super-résolution "les images basse résolution et retirer les empreintes de construction", explique Krishna Sapkota, ingénieur logiciel de recherche Google. "Le modèle enseignant apprend à repérer les bâtiments en images haute résolution et donne des étiquettes au modèle étudiant. Le modèle étudiant, qui crée réellement l'ensemble de données, apprend de la sortie de l'enseignant. Il peut alors prendre des images basse résolution de Sentinel-2 et deviner à quoi ressemblerait une version plus haute." Le modèle enseignant donne des étiquettes de formation haute résolution au modèle étudiant, qui comprend ensuite la présence de la présence à partir d'images basse. Pour obtenir les détails nécessaires pour construire des empreintes de pas, le modèle utilise jusqu'à 32 images d'images Sentinel-2 d'un endroit pour toute prédiction. Chaque trame est un peu différente des autres, grâce au petit écart temporel entre les captures, ce qui contribue à stimuler la résolution - en train de savoir comment les téléphones Pixel utilisent plusieurs plans pour les images plus nettes. Contrairement à l'ensemble de données d'origine, qui a donné des contours polygonaux précis des bâtiments, le nouvel ensemble de données temporel utilise des données raster pour les empreintes de pas. Il prédit également les hauteurs de la construction, cruciales pour estimer la densité de la population, avec une erreur de seulement 1,5 mètre ou moins d'une histoire. Avant sa sortie officielle, l'ensemble de données temporel a été partagé avec des partenaires de confiance comme l'Ougandais à but non lucratif Sunbird AI. "Environ 73% des Ougandais n'ont pas d'électricité, et Sunbird AI a utilisé notre base de données d'origine pour aider le gouvernement à déterminer où mettre des microréseaux ou des panneaux solaires", explique Olivia. "Avec le nouvel ensemble de données, ils regardent Jinja et Fort Portal, créant des visuels qui aident les conseils municipaux à voir où la croissance se produit rapidement et ajuster leurs plans. Cela montre comment les deux ensembles de données peuvent faire partie d'une boîte à outils plus importante pour comprendre une population et comment cela change." La même curiosité qui a conduit à l'ensemble de données temporel pousse l'équipe à continuer à l'améliorer. "Je vis au Ghana et je vois l'impact que notre travail a et peut avoir", explique Abdoulaye. "De nombreux endroits ici ont du mal avec les ressources, ce qui conduit à des lacunes de données avec de grandes conséquences. Faire partie d'une équipe qui travaille à résoudre ce problème et faire une différence est un véritable honneur."

Article connexe

Debates over AI benchmarking have reached Pokémon Even the beloved world of Pokémon isn't immune to the drama surrounding AI benchmarks. A recent viral post on X stirred up quite the buzz, claiming that Google's latest Gemini model had outpaced Anthropic's leading Claude model in the classic Pokémon video game trilogy. According to the post, Gemini

Top 10 AI Marketing Tools for April 2025 Artificial intelligence (AI) is shaking up industries left and right, and marketing is no exception. From small startups to big corporations, businesses are increasingly turning to AI marketing tools to boost their brand visibility and drive their growth. Incorporating these tools into your business

Wikipedia is giving AI developers its data to fend off bot scrapers Wikipedia's New Strategy to Manage AI Data Scraping Wikipedia, through the Wikimedia Foundation, is taking a proactive step to manage the impact of AI data scraping on its servers. On Wednesday, they announced a collaboration with Kaggle, a platform owned by Google and dedicated to data science and

commentaires (25)

0/200

Soumettre

StevenSanchez

14 avril 2025 00:10:04 UTC

This dataset is a game-changer for urban planning in the Global South! It's amazing how AI can help map building footprints so accurately. Only downside is it's a bit tricky to navigate the dataset if you're not tech-savvy. Still, a must-have for researchers!

DonaldGonzález

13 avril 2025 21:52:40 UTC

グローバルサウスの都市計画に革命をもたらすデータセットです！AIが建物のフットプリントをこれほど正確にマッピングできるなんて驚きです。唯一の欠点は、技術に詳しくないとデータセットの操作が少し難しいことです。それでも、研究者にとって必須のツールです！

WillLopez

11 avril 2025 22:31:22 UTC

글로벌 사우스의 도시 계획에 혁신을 가져오는 데이터셋입니다! AI가 건물의 발자취를 이렇게 정확하게 매핑할 수 있다는 것이 놀랍습니다. 단점은 기술에 익숙하지 않으면 데이터셋을 다루기가 조금 어렵다는 점입니다. 그래도 연구자에게는 필수 도구입니다!

JustinJackson

13 avril 2025 11:49:41 UTC

Este conjunto de dados é um divisor de águas para o planejamento urbano no Sul Global! É incrível como a IA pode mapear as pegadas dos edifícios com tanta precisão. A única desvantagem é que pode ser um pouco complicado navegar pelo conjunto de dados se você não for muito técnico. Ainda assim, uma ferramenta essencial para pesquisadores!

RaymondRodriguez

12 avril 2025 00:51:42 UTC

¡Este conjunto de datos es un cambio de juego para la planificación urbana en el Sur Global! Es increíble cómo la IA puede mapear las huellas de los edificios con tanta precisión. La única desventaja es que puede ser un poco complicado navegar por el conjunto de datos si no eres muy técnico. Aún así, una herramienta imprescindible para los investigadores!

AnthonyMartinez

11 avril 2025 19:26:38 UTC

The Open Buildings dataset is a game-changer for urban planning in the Global South! It's amazing how AI and satellite imagery can map out building footprints so accurately. My only gripe is that the data updates aren't as frequent as I'd like. Still, it's a fantastic resource! 🌍

Top nouvelles

Les ajustements aux centres de données américains pourraient débloquer 76 GW de nouvelle capacité d'énergie Notebooklm ajoute une fonction de découverte de source Web Une percée dans la détection des incendies de forêt: comment une nouvelle constellation de satellites peut détecter plus tôt les incendies de forêt L'IA du cambium transforme le bois de déchet en bois L'informatique de l'IA pour consommer la puissance de plusieurs New York d'ici 2026, explique le fondateur Le PDG de Nvidia clarifie les idées fausses sur l'impact du marché de Deepseek L'IA d'Openai s'est formée sur les livres O'Reilly de paiement, réclame les chercheurs L'IA pourrait être la clé pour débloquer un secteur public britannique plus efficace Google.org dévoile 15 millions de dollars de subventions de formation en IA pour les employés du gouvernement Les LLM de Deep Cogito surpassent les modèles de taille similaire à l'aide d'IDA

Plus

En vedette