3D重建曼哈顿街景!谷歌开源Kartta Labs,使用深度学习和众包再现历史街景

简介: 谷歌今日启动了Kartta Labs,可以创建带有可探索时间轴的地图,从历史地图和照片中重建过去的城市。「2020创新之源大会将于9月22日在中关村软件园召开,详细信息见文末海报,欢迎报名!」

微信图片_20220109162726.jpg


穿越到20世纪90年代,感受一下曼哈顿如何?

 

Kartta 能够让我们来一场「光的旅行」。

 

谷歌今天开源了Kartta Labs,这是一个基于 Google Cloud 和 Kubernetes 的开源可扩展系统,可从历史地图和照片中重建过去的城市

 

作为一套工具,Kartta 可以创建带有可探索时间轴的地图,从而使用户可以使用历史上准确的信息填充日期。

     微信图片_20220109162740.png


地址:https://github.com/kartta-labs


Kartta:能够在「时间维度」上标记地图


Kartta Labs于去年在用于地理知识发现的AI国际研讨会上首次引入。

 

创作者认为,这样做的动机是组织世界历史地图,同时使其易于使用。历史地图可以帮助识别文化和社会趋势,不仅是公民研究而且是规划和宣传的宝贵资源。

 

十多年前,美国前任副总统Al Gore曾使用谷歌地球的历史图像显示了极地冰盖的融化。

    微信图片_20220109162742.png


Kartta Labs包含3个主要部分:

 

1、时间地图服务器,显示地图如何随时间变化;


2、众包平台,允许用户上传城市历史地图,对其进行地理校正和矢量化(即将其与现实世界中的坐标相匹配);


3、还有一个即将上线的3D体验平台,该平台在地图上运行,通过使用深度学习从有限的历史图像和地图数据重建3D建筑物,从而创建3D体验。

 

Kartta已经超越了简单的数据收集功能,不仅能够收集数字档案中历史地图,还能够在时间和空间维度上标记地图。

 

时间地图服务器显示地图如何随时间变化,而众包平台允许用户上传城市历史地图并将其与真实世界坐标相匹配。还有一个体验平台在地图上运行,通过AI重建建筑物来进行3D体验。


QQ图片20220109162926.png


众包平台允许用户上传历史地图,手动矫正


众包平台的切入点是Warper,Warper是基于MapWarper开源的Web应用程序,它允许用户上传地图的历史图像,并通过在历史地图上找到控制点,以及底图上的对应点来对它们进行地理校正。

   微信图片_20220109162745.png


用户上传扫描的历史地图后,Warper会通过从地图中提取文本信息来对地图的地理位置进行最佳猜测。

 

其初始猜测将会把地图放在大概的位置上,并允许用户通过在历史地图和参考地图上放置成对的控制点来对地图像素进行参照标记。

 

Warper使用许多开源地理空间库和技术可以像Ruby on Rails应用程序进行运行,其中就包括PostGIS、GDAL。

 

它可以将生成的地图导出为PNG,GeoTIFF和其他开放格式。

 

Warper还运行栅格图块服务器,该服务器在图块URL提供每个已经进行了地理校正的地图。该栅格图块服务器用于编辑应用程序中,将地理校正后的地图加载为背景。

  微信图片_20220109162747.gif


带有时间滑块的3D重建曼哈顿切尔西鸟瞰图

 

编辑器同样是一个开源Web应用程序,它是OpenStreetMap编辑器的自定义版本。编辑器补充了Warper,该工具支持时间维度,并与Kartta套件中的其他应用程序集成。

 

它允许用户加载经过地理校正的历史地图并跟踪其地理特征,比如,建筑、道路等等。其跟踪的数据以矢量格式存储。

 

矢量格式的提取的几何图形以及元数据,例如地址,名称以及开始或结束日期,都存储在地理空间数据库中,可以对其进行查询,编辑,样式化并呈现到新地图中。


3D重建的曼哈顿切尔西街景

 

Kartta的前端工作方式类似于Google Maps,但带有用于选择地图年份的时间滑块。移动时间滑块可显示地图中的要素如何随时间变化。

 

谷歌即将推出的3D模型将重建历史建筑的详细完整3D结构,将图像与地图数据相关联,并在存储库中正确组织这些3D模型,并将其呈现在具有时间维度的地图上。

 

谷歌研究高级软件工程师Raimondas Kiveris在博客中写道,「我们开发了这个工具,以促进众包并应对历史数据不足的主要挑战」。

 

参考链接:


https://venturebeat.com/2020/09/15/google-launches-kartta-labs-to-recreate-historical-maps-in-3d/

https://opensource.googleblog.com/2020/09/recreating-historical-streetscapes.html


相关文章
|
11天前
|
机器学习/深度学习 算法 编译器
Python程序到计算图一键转化,详解清华开源深度学习编译器MagPy
【10月更文挑战第26天】MagPy是一款由清华大学研发的开源深度学习编译器,可将Python程序一键转化为计算图,简化模型构建和优化过程。它支持多种深度学习框架,具备自动化、灵活性、优化性能好和易于扩展等特点,适用于模型构建、迁移、部署及教学研究。尽管MagPy具有诸多优势,但在算子支持、优化策略等方面仍面临挑战。
29 3
|
5月前
|
机器学习/深度学习 人工智能 TensorFlow
TensorFlow 是一个由 Google 开发的开源深度学习框架
TensorFlow 是一个由 Google 开发的开源深度学习框架
70 3
|
1月前
|
机器学习/深度学习 监控 算法
深度学习之3D人体姿态预测
基于深度学习的3D人体姿态预测是指利用深度学习模型,从图像或视频中自动估计人体的三维骨架结构或关节点位置。此任务在增强现实、动作捕捉、人体行为识别、虚拟现实等多个领域中有广泛应用。
40 2
|
3月前
|
机器学习/深度学习 计算机视觉 Python
深度学习项目中在yaml文件中定义配置,以及使用的python的PyYAML库包读取解析yaml配置文件
深度学习项目中在yaml文件中定义配置,以及使用的python的PyYAML库包读取解析yaml配置文件
97 0
|
6月前
|
机器学习/深度学习 Python
有没有一些开源的深度学习项目可以帮助我实践所学的知识?
【2月更文挑战第14天】【2月更文挑战第40篇】有没有一些开源的深度学习项目可以帮助我实践所学的知识?
39 1
|
机器学习/深度学习 编解码 计算机视觉
用于3D MRI和CT扫描的深度学习模型总结
医学成像数据与其他我们日常图像的最大区别之一是它们很多都是3D的,比如在处理DICOM系列数据时尤其如此。DICOM图像由很多的2D切片组成了一个扫描或身体的特定部分。
106 0
|
机器学习/深度学习 数据采集 存储
【3-D深度学习:肺肿瘤分割】创建和训练 V-Net 神经网络,并从 3D 医学图像中对肺肿瘤进行语义分割研究(Matlab代码实现)
【3-D深度学习:肺肿瘤分割】创建和训练 V-Net 神经网络,并从 3D 医学图像中对肺肿瘤进行语义分割研究(Matlab代码实现)
263 0
|
机器学习/深度学习 编解码 数据可视化
深度学习基础入门篇[9.2]:卷积之1*1 卷积(残差网络)、2D/3D卷积、转置卷积数学推导、应用实例
深度学习基础入门篇[9.2]:卷积之1*1 卷积(残差网络)、2D/3D卷积、转置卷积数学推导、应用实例
深度学习基础入门篇[9.2]:卷积之1*1 卷积(残差网络)、2D/3D卷积、转置卷积数学推导、应用实例
|
2天前
|
机器学习/深度学习 人工智能 测试技术
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术,尤其是卷积神经网络(CNN)在图像识别任务中的最新进展和面临的主要挑战。通过分析不同的网络架构、训练技巧以及优化策略,文章旨在提供一个全面的概览,帮助研究人员和实践者更好地理解和应用这些技术。
22 9
|
8天前
|
机器学习/深度学习 人工智能 监控
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。随着卷积神经网络(CNN)的发展,图像识别的准确性和效率得到了显著提升。然而,数据不平衡、模型泛化能力、计算资源消耗等问题仍然是制约深度学习在图像识别领域进一步发展的关键因素。本文将详细介绍深度学习在图像识别中的应用案例,并讨论解决现有挑战的可能策略。