Die Revolutionierung der Parkplatzkartierung mit Technologie

Parkplätze gibt's überall, aber die zu kartografieren kann ganz schön knifflig sein. Das ist nicht so einfach wie ein Doodle von deiner Katze zu zeichnen; dafür braucht man Zeit und viel Mühe. Viele Städte haben „Mindestparkanforderungen“, das heisst, sie müssen eine bestimmte Anzahl an Parkplätzen für neue Gebäude bereitstellen. Aber wer hat schon Bock, Stunden damit zu verbringen, Parkplätze zu kartografieren, wenn man einfach Technologie nutzen kann? Da kommen Satellitenbilder und clevere Computer-Modelle ins Spiel.

#Das Problem mit der Parkplatzkartierung

Detaillierte Karten von Parkplätzen zu erstellen kann echt nervig sein. Einige Unternehmen verkaufen diese Daten, aber die meisten davon sind nicht für jedermann zugänglich. Das kann dazu führen, dass wichtige Infos über die Standorte von Parkplätzen fehlen. Wenn Städte smarte Entscheidungen über die Parkplatzanforderungen treffen wollen, brauchen sie genaue Karten. Also brauchen wir einen besseren Weg, um diese Infos zu bekommen.

#Ein neuer Ansatz

Diese Studie schlägt eine Lösung vor: Satellitenbilder und fortschrittliche Computer-Modelle zu nutzen, um Parkplätze automatisch zu identifizieren. Stell dir smarte Kameras im Himmel vor, die Fotos vom Boden machen und uns sagen, wo alle Parkplätze sind. Mit diesen High-Tech-Bildern und einer Technik namens „Semantische Segmentierung“ können wir zwischen Parkplätzen und allem anderen drumherum unterscheiden.

#Was ist semantische Segmentierung?

Semantische Segmentierung ist nur ein schicker Begriff für "ein Bild in verschiedene Teile aufteilen." In diesem Fall wollen wir jeden Pixel als „Parkplatz“ oder „kein Parkplatz“ kennzeichnen. Es ist wie Jellybeans nach Farben zu sortieren, nur dass wir hier Pixel nach ihrer Funktion sortieren.

#Nutzung von Satellitenbildern

Wir haben eine grosse Sammlung von Satellitenbildern aus verschiedenen Städten in den USA gesammelt. Dieses Dataset hat über 12.000 Bilder, und jedes Bild kommt mit einer Maske, die zeigt, wo die Parkplätze sind. Denk an die Maske wie an eine Ausmalseite, die die Umrisse der Parkplätze hervorhebt.

#Die Vorteile von Nahinfrarot (NIR)

Um den Prozess noch besser zu machen, haben wir eine Datenebene namens Nahinfrarot (NIR) hinzugefügt. Das ist eine spezielle Art von Bildgebung, die uns Dinge sehen lässt, die unsere normalen Augen nicht können. Pflanzen reflektieren zum Beispiel viel NIR, was hilft, Parkplätze von nahegelegenem Gras zu unterscheiden. Während unsere normalen Bilder zeigen, was wir sehen, gibt uns NIR einen zusätzlichen Blick, wie Superheldenvision.

#Deep Learning Modelle

Jetzt, wo wir unsere Bilder haben, müssen wir einige schlauen Modelle trainieren, um sie zu verstehen. Wir haben fünf verschiedene Deep Learning-Modelle für diese Aufgabe verwendet. Diese Modelle sind wie Rezeptbücher, die Computern sagen, wie sie Muster in Bildern erkennen können. Jedes hat andere Zutaten und Methoden, also wollten wir sehen, welches die besten Ergebnisse für unsere Parkplatzsegmentierungsaufgabe liefert.

#Die fünf Modelle

1. Fully Convolutional Networks (FCNs): Der klassische Koch in der Küche. Die nehmen ein normales Gericht und machen es voll konvolutional, was bedeutet, dass sie Ergebnisse für jeden Pixel ausgeben können.

2. DeepLabV3: Dieses Modell ist wie der ehrgeizige Koch, der versucht, ein mehrgängiges Menü zu kreieren. Es lernt von verschiedenen Bildgrössen, um alle Details zu erfassen.

3. SegFormer: Eine mutige neue Ergänzung in unserer Küche, die die Stärken der alten Methoden mit neueren Transformern kombiniert. Es mischt lokale Details mit globalem Kontext, um Empfehlungen zu geben.

4. Mask2Former: Dieses konzentriert sich darauf, die Aufmerksamkeit dort zu lenken, wo es am wichtigsten ist. Es ist wie der Freund, der genau weiss, was du essen willst und sofort darauf eingeht.

5. OneFormer: Ein Multitasking-Superstar, der hart daran arbeitet, verschiedene Arten von Segmentierungsaufgaben gleichzeitig zu bewältigen.

#Training der Modelle

Um diesen Modellen beizubringen, wie sie Parkplätze erkennen, haben wir die Daten in Trainings- und Testsets aufgeteilt. Denk an das Trainingsset als Übungseinheiten, wo die Modelle lernen, und das Testset ist die Abschlussprüfung, wo wir sehen, ob sie wirklich Ahnung haben.

#Training Parameter festlegen

Wir haben bestimmte Richtlinien für den Trainingsprozess festgelegt, wie ein Team fokussierter Köche, die ein Rezept befolgen. Diese Richtlinien beinhalteten, wie schnell sie lernen sollten und wie man den Erfolg misst. Die Modelle mussten zwischen Genauigkeit und Komplexität balancieren und Fehler wie das Verwechseln eines Gebäudes mit einem Parkplatz vermeiden.

#Nachbearbeitungszauber

Nachdem die Modelle ihre Vorhersagen gemacht hatten, waren sie nicht perfekt. Sie brauchten ein bisschen Feinschliff — wie ein Auto, das eine glänzende Wachsschicht braucht. Wir haben ein paar Nachbearbeitungsschritte eingeführt, um die Vorhersagen zu bereinigen und die Kanten ordentlicher aussehen zu lassen.

#Löcher entfernen

Manchmal haben die Modelle Fehler gemacht und kleine Löcher in den Masken hinterlassen, wo sie dachten, es gäbe Parkplätze. Wir haben beschlossen, alle Löcher zu entfernen, die zu klein waren, weil die meist falsch waren. Es ist wie das Aufräumen deines Hauses und das Wegwerfen von Krümeln, die niemand bemerken würde.

#Kanten vereinfachen

Die Kanten, die von den Modellen produziert wurden, konnten rau und gezackt sein. Wir wollten, dass sie glatt und ordentlich aussehen, also verwendeten wir spezielle Werkzeuge, um diese Kanten zu vereinfachen. Es ist wie ein chaotisches Bild zu nehmen und es sauber und klar zu machen.

#Gebäude entfernen

Gebäude können Parkplätzen sehr ähnlich sehen, und manchmal waren die Modelle verwirrt. Um das zu beheben, haben wir ein Dataset verwendet, das speziell zeigt, wo sich Gebäude befinden, und diese Bereiche von unseren Vorhersagen abgezogen. Es ist wie das Kochen deines eigenen Gerichts ohne unerwünschte Zutaten.

#Strassen entfernen

Strassen können auch mit Parkplätzen verwechselt werden. Wir haben Puffer um Strassen erstellt, um diese Bereiche von unseren Vorhersagen auszuschliessen. Stell dir vor, wie du dein Gericht so formen würdest, dass Ablenkungen draussen bleiben und Platz für das tatsächliche Gericht geschaffen wird, das du essen willst.

#Modellleistung

Sobald die Nachbearbeitungsschritte abgeschlossen waren, haben wir überprüft, wie gut jedes der Modelle abgeschnitten hat. Wir haben ihren Erfolg mit Begriffen gemessen, die fancy klingen, aber ganz einfach sind: pixelgenaue Genauigkeit und durchschnittliche Intersection over Union (mIoU).

#Ergebnisse

Nach all dem Training und Polieren hat OneFormer den Kuchen gewonnen! Es hat die anderen Modelle mit beeindruckenden Genauigkeitsraten übertroffen. Wer hätte gedacht, dass die Segmentierung von Parkplätzen einen wie einen Sternekoch fühlen lassen kann?

#Die Rolle von NIR

Die Hinzufügung des NIR-Kanals hat einen echten Unterschied in der Leistung der Modelle gemacht. Es hat den Modellen geholfen, Grasflächen besser von Parkplätzen zu unterscheiden als zuvor. Die Ergebnisse zeigten, dass die Modelle, wenn man NIR mit normalen Bildern kombiniert, noch besser abschnitten.

#Fazit

Am Ende haben wir versucht, ein System zu schaffen, das Parkplätze automatisch mit Hilfe von Satellitenbildern und fortschrittlichen Computer-Modellen identifizieren kann. Wir haben eine Kombination aus RGB- und NIR-Bildern verwendet, verschiedene Nachbearbeitungstechniken angewendet und mehrere Deep Learning-Modelle trainiert, um die besten Ergebnisse zu finden.

Wer hätte gedacht, dass ein bisschen Technologie zu besseren Karten für Parkplätze führen kann? Dieser neue Ansatz spart nicht nur Zeit, sondern hilft Städten auch, informierte Entscheidungen über Parkplatzanforderungen zu treffen.

Also, das nächste Mal, wenn du in einen Parkplatz einfährst, denk dran, dass hinter den Kulissen eine ganze Tech-Welt arbeitet, um diese Plätze im Blick zu behalten. Und wer weiss, vielleicht haben die Städte beim nächsten Mal, wenn sie über Mindestparkanforderungen nachdenken, dank dieser smarten Systeme eine solide Kartenbasis.