CN110325981A - 基于变化检测的地图界面更新系统 - Google Patents

基于变化检测的地图界面更新系统 Download PDF

Info

Publication number
CN110325981A
CN110325981A CN201680019888.0A CN201680019888A CN110325981A CN 110325981 A CN110325981 A CN 110325981A CN 201680019888 A CN201680019888 A CN 201680019888A CN 110325981 A CN110325981 A CN 110325981A
Authority
CN
China
Prior art keywords
geographic area
image
variation
map
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680019888.0A
Other languages
English (en)
Other versions
CN110325981B (zh
Inventor
苏乔伊·班纳吉
扬·梅斯特
布赖恩·埃德蒙·布鲁英顿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Publication of CN110325981A publication Critical patent/CN110325981A/zh
Application granted granted Critical
Publication of CN110325981B publication Critical patent/CN110325981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Abstract

提供了一种更新地图界面的系统和方法。在一个实施例中，该方法包括获得描述能够在显示设备上显示的地图界面的地图图块的数据，其中。地图图块呈现与地理区域的至少一部分相关联的图像。该方法包括获得描述图示地理区域的至少一部分的图像的数据。图像由图像获取系统获取。该方法包括分析描述地图图块的数据和描述图像的数据，以确定与地理区域相关联的变化的发生。该方法包括至少部分地基于与地理区域相关联的变化的发生而更新地图界面，以反映与地理区域相关联的变化。

Description

基于变化检测的地图界面更新系统
技术领域
本公开通常涉及更新地图用户界面，更具体地说，涉及至少部分地基于地理区域的机器学习的变化检测而更新地图界面。
背景技术
地理位置的图像可以用于各种目的，诸如地理用户界面、导航系统、在线搜索响应等。例如，能够通过编程为捕获特定地理位置的图像的卫星来获取这些图像。在一些情况下，与特定位置相关联的图像捕获的频率能够取决于在线用户印象。例如，用户越常在用户界面内搜索特定位置和/或查看位置，则卫星的系统越频繁地获取该位置的图像。然而，这种方法不会准确地捕获哪些区域正在经历最大量的变化。
发明内容
本公开的实施例的方面和优点将部分地在下述描述中阐述，或可以从描述中了解，或可以通过实施实施例来了解。
本公开的一个示例性方面针对一种更新地图界面的计算机实现的方法。该方法包括通过一个或多个计算设备获得描述能够在显示设备上显示的地图界面的地图图块的数据。所述地图图块呈现与地理区域的至少一部分相关联的图像。该方法包括通过所述一个或多个计算设备获得描述图示所述地理区域的至少一部分的图像的数据。所述图像由图像获取系统获取。该方法包括通过所述一个或多个计算设备分析描述地图图块的数据和描述图像的数据，以确定与所述地理区域相关联的变化的发生。该方法包括至少部分地基于与所述地理区域相关联的变化的发生而通过所述一个或多个计算设备更新所述地图界面，以反映与所述地理区域相关联的变化。
本公开的另一示例性方面针对一种更新地图界面的计算机系统，该计算机系统包括至少一个处理器以及存储指令的至少一个有形、非瞬时计算机可读介质，所述指令当由所述至少一个处理器执行时，使所述计算系统获得描述能够在显示设备上显示的地图界面的地图图块的数据。所述地图图块呈现与地理区域的至少一部分相关联的图像。指令使计算系统获得描述图示所述地理区域的至少一部分的图像的数据。指令使计算系统分析描述地图图块的数据和描述图像的数据，以确定与所述地理区域相关联的变化的发生。指令使计算系统至少部分地基于与所述地理区域相关联的变化的发生而更新所述地图界面，以反映与所述地理区域相关联的变化。
本公开的其它示例性方面涉及用于更新用户界面的系统、装置、有形非瞬时计算机可读存储介质、用户界面、存储器设备和电子设备。
参考下述描述和所附权利要求，将变得更好理解各个实施例的这些和其它特征、方面和优点。并入并构成本说明书的一部分的附图示出了本公开的实施例，并且与描述一起用于解释相关原理。
附图说明
参考附图，在本说明书中阐述针对本领域普通技术人员的实施例的详细描述，其中：
图1图示了根据本公开的示例性实施例的示例性系统；
图2图示了根据本公开的示例性实施例的示例性地图界面；
图3示出了根据本公开的示例性实施例的地理区域的示例性地图图块和图像；
图4图示了根据本公开的示例性实施例的机器学习模型的训练；
图5图示了根据本公开的示例性实施例的分成部分的示例性地图图块和图像；
图6图示了根据本公开的示例性实施例的示例性机器学习模型；
图7图示了根据本公开的示例性实施例的示例性更新地图界面；
图8图示了根据本公开的示例性实施例的示例性方法的流程图；
图9图示了根据本公开的示例性实施例的示例性方法的流程图；和
图10示出了根据本公开的示例性实施例的示例性系统。
具体实施方式
现在将详细参考实施例，在附图中示出其中的一个或多个示例。通过对实施例的说明，而不是对本发明的限制来提供每个示例。事实上，对于本领域技术人员显而易见的是，在不偏离本公开的范围或精神的情况下，可以对实施例进行各种修改和变形。例如，作为实施例的一部分示出或描述的特征可以与另一实施例一起使用以产生又一实施例。因此，本公开的方面旨在涵盖这些修改和变形。
本公开的示例性方面涉及至少部分地基于检测地理区域内的变化而更新地图界面。地图界面能够是可导航地图界面，例如是由Google Maps、Google Earth等提供的可导航地图界面。地图界面能够由多个地图图块构成。每个图块能够呈现与地理区域(例如，住宅小区)相关联的图像。可以在显示设备上显示地图图块，使得用户能够查看地图界面并与之交互。具有一个或多个机器学习模型的计算系统能够(例如从地图图块数据库)获得地图界面的特定地图图块。计算系统还能够(例如，从图像数据库)获得图示在特定地图图块中示出的街区的图像。图像能够是例如由图像获取系统的图像捕获平台(例如，汽车、飞机、卫星)最新捕获的图像。计算系统能够分析地图图块和图像，以确定在特定地图图块和对应的图像中图示的街区内的变化的发生。特别地，在一个示例中，计算系统能够使用机器学习二元分类器模型来评估地图图块和图像以识别街区内的各个子区域(例如，地块)内的建筑物、道路等的变化。计算系统能够至少部分地基于在子区域中发生的变化而确定地理区域的整体变化度。在变化发生(例如，高于阈值水平)的情况下，计算系统能够更新地图界面，以反映与街区相关联的变化。此外，如果街区正在经历高变化度，则计算系统也能够分派(task)图像获取系统更频繁地获取与该街区相关联的图像，使得系统能够监视和检测街区的未来变化。以这种方式，计算系统能够使用地理区域内的变化检测来更有效地刷新地图界面的地图图块，从而增加地图界面的准确性。
根据本公开的方面的示例性系统能够包括地图数据库、图像获取系统和机器学习计算系统。地图数据库能够存储能够被用来呈现地图界面的多个地图图块。每个地图图块能够呈现与地理区域的至少一部分相关联的图像。地理区域能够包括天体(例如地球、月球、火星、其它天体)的区域、国家的地区、州、市政当局、由陆地界定的区域、街区、住宅小区(subdivision)、校区、购物中心、办公园区等。
图像获取系统能够包括被配置为获取与地理区域相关联的图像的一个或多个图像捕获平台。图像捕获平台能够包括一个或多个街道级平台(例如，汽车、其它基于地面的成像平台、在较低高度飞行以获取街道级图像的空中平台)和/或空中平台(如飞机、直升机、无人驾驶飞行器(UAV)、气球、卫星、其它高空成像平台)。图像捕获平台能够被配置为至少部分地基于图像获取模式(例如，设置行进路径、图像获取频率、缩放级别)而获取地理区域的图像。
在一些实施方式中，由图像获取系统获取的图像能够被存储在存储地理区域的图像的可存取图像数据库中。图像数据库能够与图像获取系统本身、机器学习计算系统和/或与机器学习计算系统和图像获取系统分离的另一计算系统相关联。图像数据库能够存储与地理区域相关联的各种类型的图像数据。例如，图像数据能够包括地平面图像(例如，街道级全景图像、光检测和测距(LIDAR)数据集、地平面处或附近的其它图像)以及高空图像(例如，俯视视角的图像)。图像能够是光学图像、红外图像、LIDAR数据图像、高光谱图像或任何其它类型的图像。附加和/或替代地，图像能够是用户提交的图像(例如，照片)。机器学习计算系统能够(从图像数据库)访问类似图像，以便于如上所述地比较图像(例如，高空与高空图像)。
机器学习计算系统能够与地图服务提供商(例如，Google地图，Google地球)相关联。计算系统能够评估与地理区域相关联的地图图块数据和图像数据。例如，计算系统能够(例如，从地图数据库)获得地图界面的地图图块。地图图块能够呈现与地理区域的至少一部分相关联的图像。能够在第一时间生成地图图块。计算系统还能够(例如，从图像数据库)获得图示地理区域的至少一部分的图像。能够在晚于第一时间的第二时间(例如，经由图像捕获平台，用户提交)由图像获取系统获得该图像。
在一些实施方式中，计算系统能够至少部分地基于位置数据而识别感兴趣的地理区域。例如，计算系统能够获得与多个用户设备(例如，电话、平板电脑、其它移动计算设备)相关联的位置数据。位置数据能够描述与用户设备相关联的位置。例如，位置数据能够包括一个或多个原始位置报告，该原始位置报告包括识别与用户设备相关联的纬度和经度的地理编码。这能够允许计算系统确定与特定地理区域相关联的重要度。作为示例，位置数据能够指示大量用户最近访问特定街区(或街区内的住宅小区)。大量的用户流量能够描述与街区相关联的高重要度(例如，用户兴趣、潜在的变化区域)。因此，计算系统能够将街区识别为应当确定变化发生的感兴趣的地理区域。
计算系统能够分析地图图块和图像，以确定与地理区域相关联的变化的发生。例如，计算系统能够分析地图图块和图像，以确定在感兴趣的街区内增加的新的建筑物和/或道路、正在进行的建筑物和/或道路施工、拆除的建筑物和/或道路、正在进行的建筑物和/或道路毁坏等。为此，计算系统能够利用机器学习二元分类器模型来检测地理区域内的变化。二元分类器模型能够是机器学习模型，或能够包括各种机器学习模型，诸如神经网络(例如，深度神经网络)或其它多层非线性模型。
二元分类器模型能够被配置为通过检查在地图图块和图像中呈现的图像来检测地理区域内的变化的发生。例如，计算系统能够将地图图块(例如，图示地理区域)分成第一多个网格。计算系统能够将地理区域的图像分成第二多个网格。每个网格能够图示较大地理区域(例如，街区)的目标子区域(例如，地块)。所述计算系统能够从第一多个网格中选择一第一网格，以及从第二多个网格中选择对应的第二网格。例如，第一网格和第二网格能够与地理区域的相同(或类似)子区域相关联。计算系统能够将描述第一网格和第二网格的数据输入到机器学习二元分类器模型中。该数据能够包括图像的在单个网格中表示的部分(例如，各个像素)以及与其相关联的视觉特性。
模型能够识别与目标子区域(例如，街区的地块)相关联的变化(例如，建筑物变化，道路变化)的发生。例如，模型能够被训练成通过比较第一网格和第二网格的一个或多个视觉特性(例如，像素颜色、强度、图示的对象)来识别与目标子区域相关联的变化的发生。该模型能够以二元方式(诸如变化是否发生在生成地图图块和捕获图像的时间之间(例如，“1”)或是否未发生变化(例如，“0”))来对变化的发生进行分类。二元分类器模型能够生成描述是否在网格中表示的子区域内发生变化的输出。对地图图块和图像的其它网格重复该过程，以识别地理区域的多个子区域内的变化的发生。
在一些实施方式中，计算系统能够确定与地理区域相关联的变化度。变化度能够表示地理区域经历的整体变化。变化度能够至少部分地基于在地理区域的子区域中发生的变化。例如，计算系统能够通过聚合对每个子区域(例如地块)确定的变化发生来确定与地理区域(例如，街区)相关联的变化度。在一些实施方式中，能够通过添加对地理区域的每个子区域确定的二元分类(例如，0，1)来确定地理区域的整体变化度。例如，地理区域能够被分成224个网格，每个网格图示一子区域。二元分类器模型能够确定这些子区域中的150个子区域没有经历变化(例如，输出“0”)，而74个子区域正在经历变化(例如，输出“1”)。因此，地理区域的变化度能够是74，这表示二元分类的总和(例如，150个“0”+74个“1”)。该值能够被进一步归一化(例如，74/(74+150)＝.33)，以归一化网格的大小。如本文进一步所述，在一些实施方式中，计算系统能够确定每平方距离的变化度和/或使用加权方法确定变化度。
计算系统能够至少部分地基于与地理区域相关联的变化的发生而更新地图界面，以反映与地理区域相关联的变化。例如，计算系统能够指示地图图块管理系统创建新的地图图块，以反映地理区域的变化。在一些实施方式中，当变化度超过阈值(例如描述显著变化度和/或变化率)时，计算系统能够这样做。计算系统能够用反映地理区域的变化的新的地图图块代替地图界面的分析的地图图块。
在一些实施方式中，计算系统能够至少部分地基于变化度而向图像获取系统提供控制命令以调整与地理区域相关联的图像数据的获取。例如，在与地理区域相关联的变化度高(例如，高于阈值)的情况下，控制命令能够指示图像获取系统增加与地理区域相关联的图像数据的获取。在变化度低(或没有发生变化)的情况下，计算系统能够指示图像获取系统保持当前获取方法或减少与地理区域相关联的图像数据的获取。图像获取系统能够接收控制命令，并且为了实现图像获取的这种变化，图像获取系统能够调整与街道级平台和/或空中平台相关联的获取模式。例如，能够调整与图像捕获平台相关联的行进模式(例如，行驶路线、飞行轨迹)和/或图像捕获频率，使得平台能够够更常捕获与地理区域(例如，街区)相关联的图像。计算系统能够将新捕获的图像与地图界面的地图图块比较，以监视和确认地理区域中可能发生的变化，并且相应地更新地图图块。
本公开的系统和方法能够有助于优化地图的更新，以反映环境中发生的变化。更具体地说，本公开的实施例旨在识别(地图图块中表示的)正在经历更高变化度的特定区域并且相应地更新那些区域的地图。因此，更新单个地图图块的速率将反映在由图块表示的区域中发生的变化量。例如，与随时间很少发生变化的地理区域相比，更频繁地更新道路和/或建筑物的数量随之增加的基础设施快速增长的地理区域。以这种方式，实施例能够有助于确保数据处理仅限于发生实际变化的那些地图图块。因此，与常规技术相反，因此，本文所述的实施例避免以大规模方式更新地图的需要，由此避免需要更新其中连续图像之间几乎没有差异的区域。通过这样做，通过避免重新生成没有显著变化的地图图块的需要，实施例能够有助于减少更新地图所涉及的计算负担。
本公开的系统和方法提供了对地图界面计算技术的改进。例如，系统能够至少部分地基于与地理区域相关联的变化的发生，通过分析地图图块和图像以确定与地理区域相关联的变化的发生，并且更新地图界面以反映(在地图图块中呈现的)与地理区域相关联的变化来定制地图界面刷新率。因此，计算技术能够确保其资源被用来刷新地图界面的正在经历变化的部分，而不是未正经历变化的部分。此外，这能够允许计算技术在适当的时间有效地更新地图界面，同时增加地图界面的准确性以反映所图示的地理区域内的更多当前状况。
此外，根据本公开的示例性方面，至少部分地基于变化检测分派图像获取系统表示对地理图像获取的更有效的方法。更具体地说，本公开的系统和方法旨在识别正在经历较高水平变化的特定区域并且相应地调整图像的获取。这能够允许计算系统监视在地理区域中发生的变化并且相应地更新地图界面。
另外，使用机器学习二元分类器模型来确定细粒度蜂窝级(granular,cellularlevel)的变化能够考虑到使用较低分辨率图像来确定变化。更具体地说，通过以二元方式识别图像的细粒度蜂窝级的变化(例如，变化是否已经发生)，计算系统能够使用较低分辨率的图像数据，而不必确定要求较高分辨率图像的每一个网格中表示的较小子区域内的变化的类型和大小。(例如，经由使用较便宜的较低分辨率平台硬件)使用较低分辨率成像会导致较低图像获取成本。
本公开的系统和方法提供对图像获取和分析计算机技术的改进。例如，系统通过分析地图图块和图像以确定与地理区域相关联的变化的发生，并且通过确定与地理区域相关联的变化度来定制图像获取。此外，计算系统能够通过将描述一个或多个网格的数据输入到机器学习二元分类器模型中并且从二元分类器模型接收输出来检测使用较低分辨率图像的变化。输出能够描述与地理区域的子区域(例如，用网格表示)相关联的变化的发生。这能够允许计算技术在较低带宽下操作，经历(例如，较低分辨率图像的)更快数据下载/上传，并且节省能够被分配给其它分析和/或图像处理操作的计算资源(和成本)。
图1示出了根据本公开的示例性实施例的示例性系统100。系统100能够包括机器学习计算系统102、地图数据库103和图像获取系统104。计算系统102、地图数据库103和/或图像获取系统104能够被配置为经由直接连接通信和/或在彼此之间传递数据和/或能够经由一个或多个通信网络耦合。
计算系统102能够与地图服务提供商(诸如由Google Inc。(Mountain View，Calif)开发的Google Maps或Google Earth)或其它合适的地理服务相关联。计算系统102能够被配置为提供可导航地图用户界面以在显示设备上显示。计算系统102能够包括一个或多个计算设备106。如本文进一步所述，计算设备106能够包括一个或多个处理器和一个或多个存储器设备。一个或多个存储器设备能够存储如下的指令，该指令当由一个或多个处理器执行时，使得一个或多个处理器执行诸如本文所述的用于分析图像和更新地图界面的操作和功能。
地图数据库103能够存储多个地图图块，该多个地图图块能够被用来呈现地图界面。每个地图图块能够呈现与地理区域的至少一部分相关联的图像。地理区域能够包括天体(例如地球、月球、火星、其它天体)的区域、国家的地区、州、市政当局、由陆地界定的区域、街区、住宅小区、校区、购物中心、办公园区、水体、水路等。根据分辨率(例如放大还是缩小地图)，一个地图图块能够相对不太详细地覆盖整个地区(例如，州)。另一地图图块能够仅非常详细地覆盖几条街道。存储在地图数据库103中的数据不限于任何特定格式。例如，数据能够包括街道地图、从图像捕获平台捕获的图像数据和/或它们的组合，并且能够被存储为向量(例如，特别是相对于街道地图)或位图(例如，特别相对于图像)。各种地图图块分别与地理区域相关联，使得服务器能够选择、检索和传送用于在地图界面中呈现的一个或多个图块(例如，响应于接收到针对特定地理区域的用户输入)。例如，计算系统102能够访问和获取存储在地图数据库103中的地图图块，并且至少部分地基于地图图块而呈现地图界面。在一些实施方式中，地图数据库103能够被包括在计算系统102中和/或以其它方式与计算系统102相关联。
图像获取系统104能够被被配置为管理和获取与一个或多个地理区域相关联的图像数据。图像获取系统104能够包括一个或多个计算设备，计算设备包括一个或多个处理器和一个或多个存储器设备。一个或多个存储器设备能够存储如下的指令，例如，该指令当由一个或多个处理器执行时，使得一个或多个处理器执行诸如用于获取和管理的图像数据的获取的操作和功能。
图像获取系统104能够包括被配置为获取与地理区域相关联的图像的一个或多个图像捕获平台108A-B。图像捕获平台108A-B能够包括一个或多个街道级平台108A-B(例如，汽车、在较低高度飞行以获取街道级图像的空中平台、被配置为捕获街道级图像的固定结构、其它基于地面的成像平台)和/或空中平台108B(如飞机、直升机、无人驾驶飞行器(UAV)、气球、卫星、被配置为捕获高空图像的固定结构、其它成像平台)。图像捕获平台108A-B能够被配置为分别至少部分地基于图像获取模式110A-B而获取地理区域的图像。图像获取模式110A-B能够包括一个或多个图像获取参数。例如，获取模式110A-B能够包括描述行进路线(例如，行驶路线、飞行路线、飞行计划、飞行轨迹)、一个或多个位置(例如，用于待获取图像的位置的标识符/坐标)、一个或多个时间(例如，获取时间、活动时间、被动时间、下载时间)、一个或多个图像获取频率(例如，捕获区域的图像的次数)、一个或多个缩放级别、图像的空间分辨率和/或与获取地理区域的图像数据相关联的其它信息的数据。图像获取系统104能够通过调整图像获取模式110A-B(和/或参数)和/或向图像捕获平台108A-B发送控制命令来控制图像捕获平台108A-B。通过使用本公开的系统和方法，图像捕获平台108A-B可以捕获较低分辨率的图像(例如，大约1m/像素)。在一些实施方式中，图像能够包括诸如大约30m/像素的分辨率(例如，LandSat图像)。因此，图像捕获硬件能够比用于较高分辨率图像所需的硬件便宜。此外，图像获取系统104需要较小带宽以从图像捕获平台108A-B获得捕获的图像。此外，使用较低分辨率图像数据会导致降低从图像捕获平台108A-B的下载/下行链路时间。
系统100能够进一步包括存储地理区域的图像的可存取图像数据库112。图像数据库112能够与计算系统102、图像获取系统104和/或与机器学习计算系统102和图像获取系统104分离的另一个计算系统相关联。图像数据库112能够存储与地理区域相关联的各种类型的图像数据。例如，图像数据能够包括地平面图像(例如，街道级全景图像、光检测和测距(LIDAR)数据集、地平面处或附近的其它图像)以及高空图像(例如，具有俯视图的图像)。图像能够是光学图像、红外图像、LIDAR数据图像、高光谱图像或任何其它类型的图像。图像能够是由图像捕获平台108A-B获取、用户提交的图像(例如，用户捕获的图像)和/或以其它方式获取(例如，购买)。如本文所述，图像能够是低分辨率。在一些实施方式中，能够使用图像来创建图示图像中所示的地理区域的地图图块。
计算设备106能够被配置为获得地图界面的地图图块。例如，图2图示了根据本公开的示例性实施例的示例性地图界面200。如本文所述，地图界面200能够是能够显示在(例如，用户设备的)显示设备201上的可导航地图，例如由Google Maps，Google Earth等呈现的地图界面200。地图界面200由多个地图图块构成。每个图块能够呈现与地理区域相关联的图像。能够在显示设备201上显示地图图块，使得用户能够查看地图界面200并与之交互，诸如查看在地图界面200中表示的各个位置。例如，如图2中所示，地图界面200包括地图图块202。地图图块202能够呈现与地理区域204的至少一部分(例如，住宅小区)相关联的图像。如图1中所示，计算设备106能够被配置为从例如地图数据库103获取描述地图界面200的地图图块202的数据114。
计算设备106还能够被配置为获得描述至少图示地理区域204的该部分的图像的数据116。图3示出了根据本公开的示例性实施例的地图图块202和图像302。图像302能够至少图示地理区域204的该部分。为了便于比较，该部分能够与在地图图块202中呈现的地理区域204相同(或基本类似)。尽管图2和图3中所示的地理区域204包括住宅小区，这并不旨在限制。地理区域204能够包括天体(例如地球、月球、火星、其它天体)的区域、国家的地区、州、市政当局、由陆地界定的区域、街区、住宅小区、校区、购物中心、办公园区、水体、水路等。
地图图块202和图像302能够与不同的时间相关联。例如，能够在第一时间306A(例如，t1)生成地图图块202和/或基于在第一时间306A捕获的图像数据生成地图图块202。能够在不同于(例如晚于)第一时间306A的第二时间306B(例如t2)由图像获取系统104捕获和/或获取图像302。图像302能够是例如由图像获取系统104的图像捕获平台108A-B(例如，比第一时间306A)更近捕获的图像302。尽管图3仅示出一个图像302，但本领域普通技术人员将理解到更多图像能够被用于本文所述的分析。在一些实施方式中，数据116能够是描述图示地理区域204的至少一部分的一个或多个图像。
回到图1，计算设备106能够被配置为获得与多个用户设备120(例如，移动设备、个人通信设备、智能电话、导航系统、手提电脑、平板电脑、可穿戴计算设备、其它计算机设备)相关联的位置数据118。位置数据118能够描述位于在地理区域204处的用户设备和/或多个用户设备120的位置。例如，位置数据118能够包括一个或多个原始位置报告，该原始位置报告包括识别与相应用户设备120相关联的纬度和经度、坐标、语义位置等的地理编码。每一个位置报告能够至少包括描述相关位置和时间的数据集。用户设备120能够向计算设备106提供位置数据118(例如，描述多个位置报告)和/或计算设备106能够从另一计算设备获得位置数据118。计算设备106能够被配置为至少部分地基于位置数据(例如，经由位置报告的聚合)而确定位于地理区域204处的用户设备的数量。
计算设备106能够被配置为至少部分地基于位置数据118而确定与地理区域204相关联的重要度(例如，LIMP)。重要度122能够是至少部分地基于(例如，在一定时间段内)被指示位于地理区域204处的用户设备和/或用户的数量而描述对地理区域204的兴趣级。时间段能够是最近的时间段(例如，一天、一周、一个月、一年，多年)。作为示例，计算设备106能够(至少部分地基于位置数据118)确定位于地理区域204(例如，住宅小区)处的用户设备(例如，报告用户设备120)的数量在最近的时间内(例如，最近几个月)一直很高。在该具体示例中，术语“高”能够是相对于通常或历史上位于该地理区域204处的用户(和/或用户设备)的数量。该较高用户设备的数量能够表示与地理区域204相关联的较高重要度122(例如，用户兴趣、潜在的变化区域、潜在建设)。
在一些实施方式中，计算设备106能够被配置为至少部分地基于与地理区域204相关联的重要度122而识别地图图块202。例如，在与地理区域204相关联的重要度为高的情况下，计算设备106能够将地理区域204(例如，街区)识别为应该确定变化发生的感兴趣区域。因此，计算设备106能够至少部分地基于所确定的重要度122(表示用户兴趣的高重要度)而获得描述呈现与地理区域204的至少一部分相关联的图像的地图图块202的数据114和描述(例如图示地理区域204的至少一部分的)至少一个图像202的数据116。附加或可替选地，计算设备106能够(例如，经由控制命令124)指示图像获取系统104获得与地理区域204相关联的图像。图像获取系统104能够接收控制命令124，并且如果需要，图像获取系统104能够调整与一个或多个图像捕获平台108A-B相关联的一个或多个获取模式110A-B，以获取图示地理区域204的至少一部分的最近的、新的、当前的等的图像。这些图像能够被包括在被发送到计算设备106和/或由计算设备106获得的数据116(或其它数据)中，用于关于地理区域204的图像分析。
计算系统102能够包括被配置为识别与地理区域204相关联的一个或多个变化的发生的一个或多个机器学习模型。模型能够是或能够包括各种机器学习模型，诸如神经网络(例如，深度神经网络)或其它多层非线性模型。例如，计算系统102能够包括机器学习二元分类器模型126。二元分类器模型126能够被训练成(例如，基于地图图块和图像的比较)识别地理区域204内的变化的发生。例如，在一些实施方式中，系统100能够进一步包括训练计算系统128。训练计算系统128能够与计算系统102分离和/或能够是计算系统102的一部分。
图3示出了根据本公开的示例性实施例的示例机器学习模型的训练。训练计算系统128能够包括模型训练器402，该模型训练器402使用各种训练或学习技术来训练例如诸如存储在机器学习计算系统102处的二元分类器模型126的机器学习模型。特别地，模型训练器402能够基于一组训练数据304来训练二元分类器模型126。在一些实施方式中，训练数据304能够由计算系统102(例如，从数据库103、数据库112)提供或选择。
在一些实施方式中，模型训练器402能够使用描述地图图块和/或图像的训练数据304来训练机器学习二元分类器模型126，该二元分类器模型126中图示了已经发生变化的已知实例和/或未发生变化的已知实例。例如，发生变化的已知实例能够对应于地理区域内的历史和/或专家识别的变化的实例。没有发生变化的已知实例也能够对应于地理区域内未发生变化的历史和/或专家识别的实例。例如，能够使用训练数据304来训练模型，训练数据304包括被标记为图示变化或不图示变化的一个或多个地图图块和/或一个或多个图像(“二元训练数据”)。训练数据304能够包括地图图块-图像对，其包括图示相同地理区域的地图图块和对应的图像。附加或可替选地，训练数据304能够是包括根据一些变化度量(例如，1到100的变化类型)的标签的数据。在一些实施方式中，训练数据304能够根据其它地面实况收集系统标记。在一些实施方式中，训练数据304能够包括图示地理区域的地图图块和/或图像的时间序列，每个训练示例提供足以对时间序列中的每个地图图块和/或图像确定在不同时间生成的地图图块和/或捕获的图像之间的差异的信息。
附加或可替选地，训练数据304能够包括较低分辨率图像，使得机器学习模型(例如，二元分类器模型126)能够学习以评估较低分辨率的图像。这能够最终允许计算系统102评估较低分辨率的图像，能够导致使用更宽范围的图像、更快的处理时间以及用于数据传输的增加的带宽。
训练计算系统128能够至少部分地基于训练数据304而训练机器学习模型。例如，训练计算系统128能够输入训练数据304(例如，被识别为图示变化或不图示变化的地图图块和对应的图像对)。训练计算系统128能够接收描述训练数据304内的变化发生的模型分类的训练输出306(例如，是否已经发生变化或是否还未发生变化)。训练计算系统128能够分析训练输出306以确定机器学习模型的准确性。例如，训练计算系统128能够将输出306与训练数据304比较，以确定模型是否正确地识别出变化的发生。如果要求进一步训练(例如，为了增加一个或多个置信度以提高准确度)，则训练计算系统128能够提供额外的训练数据304和/或指示可能需要对模型进行调整。
作为示例，机器学习二元分类器模型126能够被训练成至少部分地基于与地图图块相关联的一个或多个视觉特性与图像相关联一个或多个视觉特性的比较而识别变化的发生。视觉特性能够包括图示的对象、像素颜色、色调、强度、音调、其它特性等。二元分类器模型126能够被训练成识别与地图图块和/或图像的至少一部分相关联的视觉特性。例如，机器学习二元分类器模型126能够被训练成(例如，经由训练数据304)识别地图图块202的第一部分(例如，网格)中的第一组视觉特性集以及图像302的第二部分(例如网格)的第二视觉特性集。如以下进一步所述的，机器学习二元分类器模型126能够被训练成至少基于部分地第一组视觉特性和第二组视觉特性的比较而识别地理区域204中的一个或多个变化的发生。
回到图1，计算设备106能够被配置为分析描述地图图块202的数据114和描述图像302的数据116的至少一个子集，以确定与地理区域204相关联的变化的发生。例如，计算设备106能够以颗粒度蜂窝级分析地图图块202和图像302，以二元方式识别地理区域204的子区域内的变化。这能够包括例如以颗粒度蜂窝级基于地图图块202和图像302的比较而对地理区域204的子区域中是否还未发生变化(例如，“0”)或地理区域204的子区域中发生变化(例如，“1”)进行分类。通过以二元方式识别地理区域204的子区域内的变化，计算系统102能够利用比确定各个子区域内的变化幅度所需的更低分辨率的图像。
图5图示了根据本公开的示例性实施例的被分成多个部分的示例性地图图块和图像。例如，计算设备106能够识别与地图图块202相关联的第一多个网格502A和与图像302相关联的第二多个网格502B。网格能够是地图图块或图像的一部分。网格能够包括例如由相应地图图块或图像的像素构成的区域。在一些实施方式中，计算设备106能够至少部分地基于单个网格的数学区域和/或旨在定义单个网格的数学区域的多个像素而识别网格502A-B。在一些实施方式中，能够预定义像素数量和/或数学区域，而在一些实施方式中，能够至少部分地基于与地图图块202和/或图像302相关联的条件(例如，尺寸、分辨率、视角等)而选择像素数量和/或数学区域。每个网格502A-B能够与地理区域204的特定子区域相关联。在一些实施方式中，能够识别网格504A-B，使得在各个网格中表示一个或多个特定子区域。
计算设备106能够被配置为对每个地图图块202和图像302识别与地理区域204的子区域相关联的网格。例如，计算设备106能够被配置为选择第一多个网格502A的第一网格504A和第二多个网格502B的第二网格504B。第一网格504A和第二网格504B都能够与地理区域204的子区域506相关联。作为示例，地理区域204能够是街区(或街区的一部分)，并且子区域506能够与街区的子区域，诸如街区内的地块相关联。与第一网格504A相关联的子区域506和与第二网格504B相关联的子区域506相同，以便于比较第一网格和第二网格。地图图块202并且因此第一网格504A能够与第一时间306A(例如，t1)相关联。图像302(和第二网格504B)能够与不同于第一时间306A的第二时间306B(例如，t2)相关联。因此，计算设备106能够分析网格以识别在第一时间和第二时间306A-B之间在子区域506中是否发生变化。
计算设备106能够被配置为将描述地图图块202的至少一部分和图像302的至少一部分的数据输入到机器学习二元分类模型126中。如图6中所示，计算设备106能够将描述地图图块202和图像302的至少一部分的数据602输入到机器学习二元分类模型126中，以识别与地理区域204相关联的一个或多个变化的发生。例如，计算设备106能够被配置为将描述第一网格504A和第二网格504B的数据602输入到机器学习二元分类器模型126中，以识别与地理区域204的子区域506相关联的变化的发生。数据602能够包括与在相应网格的每一个网格中图示的子区域506相关联的图像数据。例如，数据602能够包括描述包括在网格504A-B中的像素的数据、描述这些像素的视觉特性的数据和/或与地图图块202、图像302和/或各个网格(例如，504A-B)相关联的其它数据或元数据。二元分类器模型126能够(例如，使用神经网络)检查和比较网格504A-B的视觉特性以识别变化的发生-能够是是否已经发生变化(例如，相对于子区域506)或是否没有发生变化(例如，相对于子区域506)。在地图图块202和图像302具有不同格式的情况下，能够对模型126编码，使得计算系统102能够调整地图图块202和图像302中的至少一个的格式，使得能实现视觉特性的比较。在一些实施方式中，能够使用另一计算设备来调整地图图块202和/或图像302的格式，并且能够将调整的数据发送到计算设备106并由计算设备106接收，用于分析。
计算设备106能够被配置为从二元分类器模型126接收第一输出604。输出604能够描述与地理区域204的子区域506相关联的变化的发生。作为示例，再次参考图5，机器学习二元分类模型126能够分析与第一网格504A相关联的第一组视觉特性和与第二网格504B相关联的第二组视觉特性。如图5中所示，在第一时间306A，子区域506不包括地图图块202的第一网格504A中的结构性资产的任何部分(例如，示出空地块)。在第二网格504B中，子区域506包括结构性资产(例如建筑物)的至少一部分。二元分类模型126能够分析网格，以确定第一网格504A的对象图示、像素颜色、强度、其它视觉特性等是否不同于第二网格504B。在二元分类器模型126能够确定在相应网格504A-B之间存在表示高于置信度的变化的差(例如，结构性资产的添加)的情况下，二元分类器模型126能够识别目标区域506内的变化510的发生(例如，发生了变化)。在二元分类器模型126的训练期间和/或在数据分析期间，能够开发和/或细化置信度。第一输出604能够指示与地理区域204的目标区域506相关联的变化已经发生。例如，与子区域506相关联的变化508能够是例如建筑流失(例如，一个或多个建筑物中的变化)。输出604能够是“1”，其指示二元分类器模型126至少部分地基于地图图块202和图像302而确定在子区域506中已经发生变化508。在一些实施方式中，输出604能够由其它数字(例如，由子区域加权)和/或字符来表示。
尽管图4图示了与结构性资产相关联的变化508，但这并不旨在限制。变化508能够与地理区域相关联并且在地图图块和/或图像中的其它元素(例如，运输资产(例如道路、行进方式)、环境资产(例如，植物、土壤、水路)、农业资产(如作物、农田、灌溉系统)等相关联。
如图6中所示，计算设备106能够被配置为将描述第一网格和第二多个网格502A-B的其它网格的数据606提供为二元分类器模型126的另一输入，以识别与地理区域204的一个或多个其它子区域相关联的一个或多个变化的发生。计算设备106能够从二元分类器模型126接收第二输出608。第二输出608能够描述与地理区域204的一个或多个其它子区域相关联的一个或多个变化的发生。
例如，返回到图5，计算设备106能够输入描述网格510A-B的数据，其包括子区域512内的运输资产(例如，街区道路)的图示。二元分类器模型126能够比较网格510A-B(例如，与之相关的视觉特性)。在二元分类器模型126确定网格510A-B的相应特性之间存在轻微或没有差异(例如，高于置信度)的情况下，二元分类器模型126能够将变化514的发生识别为：在子区域512内没有发生变化。例如，二元分类器模型126能够确定在子区域512内没有发生道路流失(例如，一个或多个行进路径的变化)。因此，第二输出608能够指示与地理区域204的子区域512相关联的变化没有发生。例如，输出608能够是“0”，其能够指示二元分类器模型126至少部分地基于地图图块202和图像而确定在子区域512中没有发生变化。如本文所述的，通过使用二元分类器模型126，本文所述的系统和方法能够使用较低分辨率图像来评估地理区域204的变化。
能够对一个或多个其它图像的一个或多个其它网格重复上述分析。例如，计算设备106能够将与地图图块和其它图像相关联的数据输入到二元分类器模型126中。与其它图像相关联的数据能够描述与相同子区域506相关联的网格，以确定在子区域506中是否发生了另外的变化。附加或可替选地，描述其它图像的数据能够描述与地理区域204的一个或多个不同子区域相关联的网格。这能够允许计算设备106确定在地图图块202的图像中呈现的地理区域204的其它子区域中是否发生了一个或多个变化。在一些实施方式中，能够重复此操作直到以上述方式由二元分类器模型126分析了一定数量(例如大部分，全部)、一定百分比、一定比率等的网格和/或子区域为止。
计算设备106能够至少部分地基于与地理区域204相关联的一个或多个变化(例如，508、514)的发生来确定与地理区域204相关联的变化度516。如上所述，变化度516能够是由地理区域204经历的总体变化量(例如，其结构性资产、运输资产、环境资产、农业资产、其它资产)。在一些实施方式中，计算设备106能够通过聚合为地理区域204的每个子区域确定的变化发生(例如，508、514)来确定变化度。
例如，计算设备106能够聚合对地理区域204的每个子区域(例如，506、512)确定的和/或在相关输出(例如，604、608)中识别的分类。地理区域204的变化度516能够通过添加对地理区域204的每个子区域(例如，506、512)确定的二元分类(例如，0、1)来确定。例如，地理区域204能够被分成224个网格，每个网格图示一子区域。二元分类器模型126能够确定在150个网格和/或子区域中没有发生变化(例如，输出“0”)，而在74个网格和/或子区域中已经发生变化(例如，输出“1”)。因此，地理区域204的变化度516能够是74，这表示二元分类的总和(例如，150个“0”+74个“1”)。该值能够被进一步归一化(例如，74/(74+150)＝.33)，以归一化网格的大小。
在一些实施方式中，变化度516能够指示每平方距离的变化度。例如，计算设备106能够通过将聚合的变化度除以在地图图块202和/或图像302中表示的地理区域204的平方距离来确定变化度。在一些实施方式中，计算设备106能够至少部分地基于在一组网格(例如网格504A和周围的8个网格)中识别的变化分类除以由那些网格中图示的子区域表示的平方距离而确定变化度。
在一些实施方式中，计算设备106能够至少部分地基于加权方法而确定变化度516。计算设备106能够向地图图块和/或图像的网格分配权重，使得在某些网格中识别的变化对变化度516提供较高权重和/或某些网格对变化度516提供较低权重。作为示例，计算设备106能够对位于朝向地图图块202和/或图像302的中心处的网格504A-B的子区域506的变化提供较高权重，并且对位于地图图块202和/或图像302的周边处的网格510A的子区域512的变化提供较低权重。为此，计算设备106能够将二元分类(例如，0、1)乘以数值权重标识符(例如，百分比、分数)，并且执行加权分类的聚合以确定变化度516。
回到图1，计算设备106能够被配置为至少部分地基于与地理区域204相关联的变化508的发生而更新地图界面200，以反映与地理区域204相关联的变化508。例如，计算设备106能够被配置为向地图图块管理系统132提供控制命令130，以创建新的地图图块来反映在地理区域204中识别的一个或多个变化(例如508)。附加或可替选地，地图图块管理系统132能够更新地图图块202以反映所识别的变化。一般来说，地图图块管理系统能够被配置为使得其在接收有关所述地图图块的特定控制命令的情况下，将仅创建新的地图图块或更新地图图块，以这种方式，系统能够避免重新生成自上次更新图块以来地理区域中没有发生变化的地图图块。
地图图块管理系统132能够接收控制命令130，并且能够被配置为生成新的地图图块和/或与地图数据库103通信，以更新地图图块(例如，202)来反映一个或多个识别的变化(例如，508)。例如，地图图块管理系统132能够创建新的地图图块(例如，反映变化508)并且将新的地图图块发送到图像数据库103，使得它能够被计算设备106访问，以呈现地图界面200。新的地图图块能够至少部分地基于图示地理区域204(的至少一部分)的图像302。附加或可替选地，地图图块管理系统132能够访问地图数据库103并且更新一个或多个地图图块，以反映所识别的变化，使得计算设备106能够从地图数据库103访问更新的地图图块。在一些实施方式中，地图图块管理系统132能够将新的和/或更新的地图图块发送到计算设备106。
计算设备106能够被配置为利用反映地理区域204中的变化的新的地图图块替换地图界面200的地图图块202和/或在呈现地图时使用更新的地图图块202。例如，图7图示了根据本公开的示例性实施例的示例性更新地图界面700。更新的地图界面700能够对应于具有地图图块702的图2的地图界面200的更新版本。地图图块702能够是例如反映地理区域204中的一个或多个变化(例如，508)的新的地图图块，并且替换地图图块202。附加或可替选地，地图图块702能够是地图图块202的更新版本，其反映地理区域204中的一个或多个变化(例如，508)。
回到图1，在一些实施方式中，能够至少部分地基于变化度516而更新地图界面200。例如，如本文所述，计算设备106能够被配置为至少部分地基于变化508的发生而确定与地理区域204相关联的变化度516。计算设备106能够被配置为确定变化度是否超过阈值水平134。阈值水平134能够表示指示地图图块202不是地理区域204的当前状态的精确表示的显著变化度和/或变化率，并且因此应该调整(例如，更新、替换)地图图块202。计算设备106能够被配置为当变化度516超过阈值水平134时更新地图界面200(例如，替换地图图块202、更新地图图块202)。
在一些实施方式中，计算设备106能够至少部分地基于高于重要性阈值的重要度122而更新地图界面200。重要性阈值136能够表示高的重要度(例如，用户设备流量)。在重要度122高于重要性阈值136的情况下，当在地理区域204中发生变化时，计算设备106能更新地图界面200(包括地理区域204)。
在一些实施方式中，计算设备106能够被配置为向图像获取系统104提供控制命令129，以至少部分地基于变化度而调整与地理区域204相关联的图像数据的获取。图像获取系统104能够接收控制命令129并且执行各种动作。例如，在与地理区域204相关联的变化量516高于阈值134(和/或另一个阈值)的情况下，控制命令129能够指示图像获取系统104增加与该地理区域204相关联的图像数据的获取。控制命令129能够指示图像获取系统104增加获取地理区域204的图像的数量、时间、频率等。这能够改进地图界面计算技术，使得计算系统102适当地刷新地图图块，以反映正在经历高变化度的地理区域204中发生的变化。因此，计算系统102能确保刷新地图界面200(及其地图图块)以更准确地反映地理区域204中的变化。这能够导致有效分配处理资源，以调整需要刷新的地图界面200的部分。
在变化度516低于阈值134(例如，指示较低变化度或没有变化已经发生)的情况下，计算设备106能够停止提供命令控制来调整与地理区域204相关联的图像数据的获取。在一些实施方式中，如果变化度516为低，则计算设备106能够向图像获取系统104提供控制命令，以减少与地理区域204相关联的图像数据的获取。这能够允许计算系统102和/或图像获取系统104防止其计算资源被用在不需要刷新(例如，基于当前图像)的正经受较小变化度的区域上。图像获取系统104能够接收控制命令并且能够相应地调整图像获取(例如，增加、减少经由图像捕获平台的获取)。
在一些实施方式中，计算设备106能够生成描述与地理区域204相关联的变化度516的图形表示。图形表示能够是例如指示与地图界面200内的一个或多个地理区域204(例如，地图图块)相关联的变化度的热图。在一些实施方式中，能够以另一图形形式(例如，条形图、直方图)来表示变化度。这能够指示哪些地图图块需要被调整(例如，由于高变化度)。在一些实施方式中，(提供给地图图块管理系统132的)控制命令130能够至少部分地基于图形表示。以这种方式，系统能够有效地分配其地图图块处理资源，以产生和/或更新用于经历高变化度的地理区域的地图图块。在一些实施方式中，调整与地理区域204相关联的图像数据的获取的控制命令129能够至少部分地基于图形表示。例如，控制命令129能够指示图像获取系统104至少部分地基于图形表示(例如，热图)而调整一个或多个获取模式110A-B。因此，该系统能够有效地分配其成像资源，以获得正经历高变化度的地理区域的较多频率的图像以及正经历较低变化度的地理区域的较少频率的图像。这能够提供能够更精确地反映地图界面中的地理区域的状态的更集中、有用的一组地图图块和/或图像数据。
图像获取系统104能够使用各种方法来调整与地理区域204相关联的图像数据的获取。例如，图像获取系统104能够调整与街道级平台108A和空中平台108B中的至少一个相关联的获取模式110A-B。例如，能够调整行进路线136A-B(例如，行驶路线、飞行路线)和/或频率138A-B(例如，利用图像捕获平台108A-B捕获地理区域204的图像的频率)，使得图像捕获平台110A-B能够或多或少地捕获与地理区域204相关联的图像。附加或可替选地，在一些实施方式中，图像获取系统104还能够调整图像获取系统104从其它计算设备和/或用户获取地理区域204的图像的购买模式、下载模式、请求模式等。例如，图像获取系统104能够请求更多频率的图像(例如，来自第三方)、更经常地购买的图像和/或请求正经历更高变化度的地理区域的图像。
图8图示了根据本公开的示例性实施例的示例性方法800的流程图。方法800的一个或多个部分能够由例如诸如图1和图10中所示的一个或多个计算设备来实现。图8图示了为了说明和讨论的目的而以特定顺序执行的步骤。使用本文提供的公开内容，本领域普通技术人员将理解到，在不偏离本公开的范围的情况下，本文讨论的任何方法的步骤能够以各种方式被调整、重新排列、扩展、省略或修改。
在(802)，方法800能够包括获得与多个用户设备相关联的位置数据。例如，计算设备106能够获得与多个用户设备120相关联的位置数据118。位置数据118能够描述位于地理区域204处的用户设备的数量。如上所述，位置数据118能够包括描述识别与相应的用户设备120相关联的位置的地理编码的原始位置报告。
在(804)，方法800能够包括确定与地理区域相关联的重要度。例如，计算设备106能够至少部分地基于位于地理区域204处的用户设备120的数量而确定与地理区域204相关联的重要度122。重要度122能够表示对地理区域204的兴趣度、与地理区域204相关联的用户流量等。在一些实施方式中，较高用户设备120的数量能够表示与地理区域204相关联的较高重要度(例如，用户兴趣、潜在的变化区域、潜在的建设)。
计算设备106能够至少部分地基于重要度而识别地理区域。例如，在位于地理区域204处的用户设备120的数量高的情况下(例如，相对于位于地理区域204处的用户设备的通常历史数量)，与地理区域204相关联的重要度122为高。因此，计算设备106能够将地理区域204识别为感兴趣的区域，为此应该使用本文所述的系统和方法来确定在该区域中是否发生变化。
在(806)，方法800能够包括至少部分地基于与地理区域相关联的重要度而识别地图图块。例如，计算设备106能够至少部分地基于与地理区域204相关联的重要度122而识别呈现与地理区域204的至少一部分相关联的图像的一个或多个地图图块(例如，地图图块202)。作为示例，在计算设备106将地理区域204识别为兴趣区域(例如，由于较高重要度)的情况下，如本文所述，计算设备106能够识别将用在变化检测分析中的地图图块202(图示地理区域204的至少一部分)。
在(808)，方法800能够包括获得描述地图界面的地图图块的数据。例如，计算设备106能够获得描述能够在显示设备201上显示的地图界面200的地图图块202的数据114。地图图块202能够呈现与地理区域204的至少一部分相关联的图像。计算设备106能够从地图数据库103获得数据114。附加或可替选地，如上所述，地图图块202能够是基于与地理区域204相关联的重要度122标识的地图图块。
在(810)，方法800能够包括获得描述图示地理区域的至少一部分的图像的数据。例如，计算设备106能够获得描述图示地理区域204的至少一部分的图像302的数据116。图像302能够图示与地图图块202相同的地理区域204的部分。图像302能够由图像获取系统104获取。在一些实施方式中，图像302能够由一个或多个街道级平台108A和/或一个或多个空中平台108B获取。
在(812)，方法800能够包括分析地图图块和图像。例如，计算设备106能够分析描述地图图块202的数据114和描述图像302的数据116，以确定与地理区域204相关联的变化的发生。计算设备106能够将描述地图图块202和图像302的至少一部分的数据602输入到机器学习模型(例如，二元分类器模型126)中，以识别是否发生了变化。
机器学习模型能够至少部分地基于输入的数据602而识别与地理区域204相关联的一个或多个变化的发生。图9图示了根据本公开的示例性实施例的用于分析地图图块和图像的示例性方法900的流程图。方法900的一个或多个部分能够由例如诸如图1和图10所示的一个或多个计算设备来实现。此外，方法900的一个或多个步骤能够与方法800的步骤组合，例如诸如在(812)处。图9图示了为了说明和讨论的目的而以特定顺序执行的步骤。使用本文提供的公开内容，本领域普通技术人员将理解到，在不偏离本公开的范围的情况下，本文讨论的任何方法的步骤能够以各种方式被调整、重新排列、扩展、省略或修改。
在(902)，方法900能够包括识别地图图块的一个或多个部分和图像的一个或多个部分。例如，计算设备106能够识别与地图图块202相关联的第一多个网格502A以及与图像302相关联的第二多个网格502B。每个网格能够图示较大地理区域204(例如，街区)的子区域(例如地块)。
在(904)，方法900能够包括选择地图图块的一个或多个部分和图像的一个或多个部分。例如，计算设备106能够选择第一多个网格502A的第一网格504A和第二多个网格502B的第二网格504B。第一网格504A和第二网格504B都能够与地理区域204的子区域506相关联。
在(906)，该方法能够包括将描述地图图块和图像的数据输入到机器学习模型中。计算设备106能够将描述地图图块202和图像302的至少一部分的数据602输入到机器学习模型中。例如，计算设备106能够将描述地图图块202和图像302的每一个的一部分的数据602输入到二元分类器模型126中。作为示例，计算设备106能够将描述第一网格504A和第二网格504B的数据602输入到机器学习二元分类器模型126中，以识别与地理区域204的子区域506相关联的变化508的发生。
如本文所述，数据602能够包括与在地图图块202和图像302的各个被选部分(例如，网格)中图示的子区域相关联的数据，例如，诸如描述组成这些部分(例如，网格)的像素和/或与这些像素(和/或网格)相关联的视觉特性(例如，颜色、强度、图示的对象)的数据。在一些实施方式中，计算设备106能够输入与地图图块202和图像302相关联的数据，并且二元分类器模型126能够处理地图图块202和图像302，以识别地图图块202和图像302的部分(例如，网格)并且选择地图图块202和图像302的部分，如在(902)和(904)中那样。
在(908)，方法900能够包括处理输入的数据以识别与地理区域相关联的一个或多个变化的发生。例如，机器学习模型能够处理描述地图图块202和图像302的部分的数据602。作为示例，二元分类器模型126够能处理描述第一网格504A和第二网格504B的数据，以识别与地理区域204的子区域506相关联的一个或多个变化的发生。
如本文所述，二元分类器模型126能够被训练成至少部分地基于地图图块202和图像302的每一个的一个或多个视觉特性的比较而识别与地理区域204的子区域506相关联的变化(例如，508)的发生。因此，二元分类器模型126能够比较地图图块202和图像302的视觉特性，以识别一个或多个变化的发生。例如，二元分类器模型126能够比较第一网格504A(例如，与其相关联的像素)和第二网格504B(例如，与其相关联的像素)的视觉特性，以识别与地理区域204的子区域506相关联的一个或多个变化(例如508)的发生。
在(910)，方法900能够包括从机器学习模型接收第一输出。计算设备106能够从二元分类器模型126接收第一输出604。输出604能够描述与地理区域204的子区域506相关联的变化508的发生。与地理区域204相关联的变化能够包括与结构性资产(例如，建筑物、建筑物的一部分、其它结构)相关联的变化以及与运输资产(例如，道路，行进方式)相关联的变化中的至少一个。例如，与地理区域204相关联的变化508能够包括建筑物流失(例如，添加、移除、变更建筑物或其它结构性资产)和/或道路流失(例如，添加、移除、变更行进方式、其它运输资产)中的至少一种。在一些实施方式中，该变化能够与另一类型的资产(例如，农业)相关联。
在(912)，方法900能够包括将描述其它网格的数据输入到机器学习模型中。在一些实施方式中，计算设备106能够将描述地图图块202和/或图像302的一个或多个其它部分的数据输入到二元分类器模型126中，以检测变化。例如，计算设备106能够将描述第一多个网格和第二多个网格504A-B中的其它网格的数据606提供为二元分类器模型126的另一个输入，以识别与地理区域204的一个或多个其它子区域(例如，512)相关联的一个或多个变化的发生。计算设备106能够从二元分类器模型126接收第二输出608。第二输出608能够描述与地理区域204的一个或多个其它子区域相关联的一个或多个变化的发生。
在一些实施方式中，计算设备106能够将描述一个或多个其它地图图块和/或图像的数据输入到二元分类器模型126中。输入的数据能够描述其它地图图块和/或图像的一个或多个部分(例如，网格)。二元分类器模型126能够以与上文类似的方式处理这些数据，以识别与子区域506相关联的其它变化的发生和/或识别与地理区域204的其它子区域相关联的一个或多个其它变化。第二输出608(和/或另一输出)能够至少部分地基于从其它地图图块和/或图像输入的数据而描述与地理区域204的子区域506和/或另一子区域相关联的一个或多个变化的发生。
回到图8，在(814)，方法800能够包括确定与地理区域相关联的变化度。在一些实施方式中，计算设备106能够至少部分地基于来自二元分类器模型126的第一输出604和第二输出608而确定与地理区域204相关联的变化度516。计算设备能够至少部分地基于(例如，在来自模型的输出中所示的)与地理区域204相关联的一个或多个变化(例如，508、514)的发生而确定与地理区域204相关联的变化度516。在一些实施方式中，如本文所述，计算设备106能够通过聚合对每个子区域(例如地块)确定的变化发生和/或应用归一化(例如归一化网格的大小)来确定与地理区域204(例如街区)相关联的变化度516。附加或可替选地，如本文所述，变化度516能够至少部分地基于每平方距离的变化和/或加权方法。
在一些实施方式中，计算设备106能够生成描述与地理区域204相关联的变化度516的图形表示。该图形表示能够表示相对于一个或多个其它地理区域的与地理区域204相关联的变化度516。这能够示出例如在整个国家、世界等的不同地理区域中发生的不同的变化度。在一些实施方式中，图形表示能够表示地理区域204的哪些子区域(例如，地图图块202)经历了变化。
在(816)，方法800能够包括更新地图界面。例如，计算设备106能够至少部分地基于与地理区域204相关联的变化508的发生而更新地图界面200，以反映与地理区域204相关联的变化508。计算设备106还能够更新地图界面200，以反映与地理区域204相关联的其它变化。在一些实施方式中，计算设备106能够确定变化度516是否超过阈值水平134，并且能够当变化度516超过阈值水平134时更新地图界面200。在一些实施方式中，如本文所述，能够执行更新地图界面200的步骤(816)，使得与地理区域204相关联的重要度122被确定为高于阈值136。
如本文所述，计算设备106能够以各种方式更新地图界面200。例如，计算设备106能够向地图图块管理系统132提供控制命令130，以创建新的地图图块(例如，702)来反映地理区域204中的变化(例如，508)。如本文所述，该地图图块管理系统132能够接收控制命令130并采取新的动作来生成和/或更新地图图块。
在一些实施方式中，新的地图图块(例如，702)能够至少部分地基于图示地理区域204的至少一部分的图像302。例如，在生成新图块702时，地图图块管理系统132能够将图像302用作基础(或部分基础)。如图7所示，计算设备106能够利用反映地理区域204的变化(例如508)的新的地图图块(例如702)替换地图界面的地图图块202。附加或可替选地，如本文所述，计算设备106能够更新地图图块202，以反映任何识别的变化(例如，508)。因此，计算设备106能够提供更新的地图界面700(例如，具有一个或多个新的和/或更新的地图图块的地图界面200)用于显示，该更新的地图界面700能够更准确地反映地理区域204的当前状态。
在(818)，方法800能够包括调整与地理区域相关联的图像获取。计算设备106能够向图像获取系统104提供控制命令129，以至少部分地基于变化度516而调整与图像获取系统104相关联的图像数据的获取。例如，如本文所述，图像获取系统104能够包括一个或多个图像捕获平台108A-B。计算设备106能够向图像获取系统104提供控制命令129，以至少部分地基于变化度516而调整与图像捕获平台108A-B相关联的获取模式110A-B。图像获取系统104能够接收控制命令129，并且能够相应地进行图像获取调整。例如，调整获取模式110A-B能够包括调整由各个图像捕获平台108A-B捕获地理区域204的图像的频率138A-B。根据与地理区域204相关联的确定的变化度516高于阈值134，能够增加捕获地理区域204的图像的频率138A-B。附加或可替选地，图像数据的获取能够包括调整用户提交的购买策略和/或招标。
在一些实施方式中，计算设备106能够向图像获取系统104提供控制命令129，以至少部分地基于与地理区域204相关联的变化度516和重要度122而调整与一个或多个图像捕获平台110A-B相关联的获取模式。图像获取系统104能够根据指示(例如，经由图像捕获平台108A-B)来调整图像获取。例如，在变化度516高并且重要度122高的情况下，计算设备106能够确定增加与地理区域204相关联的图像数据的获取(例如，通过增加捕获地理区域204的图像的频率138A-B)。在变化度516为低但重要度122为高的情况下，计算设备106能够确定以保持和/或减少与地理区域204相关联的图像数据的获取。计算设备106能够发送控制命令129(指示图像获取系统104确保调整)，并且图像获取系统104能够接收控制命令129并相应地进行操作。以这种方式，本公开的系统和方法能够分配图像和地图图块处理资源，以捕获正在经历较高变化度的区域的图像，同时节省将被用于正经历较低变化度的区域的资源。
在一些实施方式中，如果变化的影响高，那么能够对可能变化(尽管不常见)的具有高重要度的地理区域赋予较高优先级。例如，特定地理区域(例如，机场、商场、其它受欢迎的景点)具有适度的变化度(例如，减速道路、建筑物流失)，但具有高重要度(例如，用户设备存在)和/或其它感兴趣的指标(例如，相关企业网页的在线视图)。这些区域的变化会对这些区域的位置和/或人口有重大影响。在一些实施方式中，计算设备106能够为这些地理区域(具有较高重要性)分配优先级。因此，计算设备106能够调整图像获取(例如，经由图像获取系统104的一个或多个控制命令)，使得定期捕获这些高优先级区域的图像，从而允许计算设备定期监测其中变化具有重大影响的这些区域的变化(尽管不常见)。
图10图示了根据本公开的示例性实施例的示例性系统1000。系统1000能够包括机器学习计算系统102、地图数据库103、图像获取系统104、图像数据库112、多个用户设备120、训练计算系统128和/或地图图块管理系统132。系统1000的组件能经由一个或多个通信网络1002，与系统1000的一个或多个其它组件通信以例如交换数据。
计算系统102包括一个或多个计算设备106。计算设备106能够包括一个或多个处理器1004A和一个或多个存储器设备1004B。一个或多个处理器1004A能够是任何合适的处理设备(例如，处理器内核、微处理器、ASIC、FPGA、控制器、微控制器等)，并且能够是一个处理器或可操作地连接的多个处理器。存储器设备1004B能够包括一个或多个非瞬时计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等和/或其组合。
一个或多个存储器设备1004B能够存储能够由一个或多个处理器1004A存取的信息，包括能够由一个或多个处理器1004A执行的计算机可读指令1004C。指令1004C能够是当由一个或多个处理器1004A执行时，使得一个或多个处理器1004A执行操作的任何指令集。在一些实施例中，如本文所述，指令1004C能够由一个或多个处理器1004A执行，以使一个或多个处理器1004A执行操作，诸如计算系统102和计算设备106被配置的操作和功能、用于更新地图界面的操作和/或任何其它操作或功能中的任何一个。存储器设备1004B(例如，非瞬时计算机可读存储器介质)能够包括如下的计算机可执行指令1004C，该计算机可执行指令1004C当由一个或多个计算机处理器1004A执行时，将导致处理器1004执行方法(例如，方法800、900)。例如，如本文所述，指令1004C能够使处理器1004A获得描述能够在显示设备处显示的地图界面的地图图块的数据，获得描述图示地理区域的至少一部分的图像的数据，分析描述地图的地图图块的数据和描述图像的数据以确定与地理区域相关联的变化的发生，以及至少部分地基于与地理区域相关联的变化的发生而更新地图界面，以反映与地理区域相关联的变化。指令1004C能够是以任何合适的编程语言编写的软件，或能够以硬件实现。附加或可替选地，指令1004C能够在处理器1004A上的逻辑和/或虚拟分离的线程中执行。
一个或多个存储器设备1004B还能够存储能够由被一个或多个处理器1004A检索、操纵、创建或存储的数据1004D。数据1004D能够包括例如与地图图块相关联的数据、与图像相关联的数据、与地理区域相关联的数据、位置数据、与机器学习模型相关联的数据、训练数据和/或其它数据或信息。数据1004D能够被存储在一个或多个数据库中。一个或多个数据库能够通过高带宽LAN或WAN被连接到计算设备106，或也能够通过网络1002被连接到计算设备106。一个或多个数据库能够被划分，使得它们位于多个场所中。
如本文所述，计算设备106能够存储或以其它方式包括一个或多个机器学习模型1004E，诸如二元分类器模型126。机器学习模型1004E能够是或能够包括各种机器学习模型，例如神经网络(例如，深度神经网络)或其它多层非线性模型。如本文所述，处理器1004A能访问模型1004E，以执行用于更新地图界面的操作和功能。
计算设备106还能够包括用于在网络1002上与系统1000的一个或多个其它组件(例如，图像获取系统104、用户设备120、训练计算系统128、地图图块管理系统132、数据库103、112)通信的网络接口1004F。网络接口1004F能够包括用于与一个或多个网络连接的任何合适的组件，包括例如，发射机、接收机、端口、控制器、天线或其它合适的组件。
在一些实施方式中，机器学习计算系统102能够包括或由另一个或多个服务器计算设备实现。在机器学习计算系统102包括多个服务器计算设备的情况下，这样的服务器计算设备能够根据顺序计算架构、并行计算架构或其一些组合来操作。
图像获取系统104能够包括一个或多个计算设备1006A。计算设备1006A能够包括一个或多个处理器1006B和一个或多个存储器设备1006C。一个或多个处理器1006B能够包括任何合适的处理设备，例如微处理器、微控制器、集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑器件、一个或多个中央处理单元(CPUs)、图形处理单元(GPUs)(例如，专用于高效地渲染图像)、执行其它专门计算的处理单元等。存储器设备1006C能够包括一个或多个非瞬时计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等和/或其组合。
存储器设备1006C能够包括一个或多个计算机可读介质，并且能够存储能够由一个或多个处理器1006B存取的信息，包括能够由一个或多个处理器1006B执行的指令1006D。例如，如本文所述，存储器1006C能够存储用于获取图像数据的指令1006D。在一些实施例中，指令1006D能够由一个或多个处理器1006B执行，使得一个或多个处理器1006B执行操作，诸如图像获取系统104被配置的操作和功能(例如，提供图像数据、调整图像获取、与图像捕获平台通信)和/或图像获取系统104的任何其它操作或功能中的任何一个，如本文所述。指令1006D能够是以任何合适的编程语言编写的软件，或能够在硬件中实现。附加或可替选地，指令1006D能够在处理器1006B上的逻辑和/或虚拟分离的线程中被执行。
一个或多个存储器设备1006C还能够存储能够被一个或多个处理器1006B检索、操纵、创建或存储的数据1006E。数据1006E能够包括例如与一个或多个地理区域相关联的图像数据、获取模式等。在一些实施方式中，数据库112能够被包括在图像获取系统104中或以其它方式与图像获取系统104相关联。在一些实施方式中，能够从另一个设备(例如，能够远程访问的图像数据库)接收数据1006E。
计算设备1006A还能够包括用于在网络1002上与系统1000的一个或多个其它组件(例如，计算系统102、数据库112)通信的网络接口1006F。网络接口1006F能够包括用于与一个或多个网络连接的任何合适的组件(例如，包括发射机、接收机、端口、控制器、天线或其它合适的组件)。
每个用户设备120能够是任何合适类型的计算设备、例如手提电脑、台式电脑、其它个人计算设备、导航系统、智能电话、平板电脑、可穿戴计算设备、其它移动计算设备、具有一个或多个处理器的显示器、服务器计算设备或任何其它类型的计算设备。用户设备120能够包括一个或多个处理器1008A和一个或多个存储器设备1008B。一个或多个处理器1008A能够包括任何合适的处理设备，例如微处理器、微控制器、集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑器件、一个或多个中央处理单元(CPUs)、图形处理单元(GPUs)(例如，专用于有效地渲染图像)、执行其它专门计算的处理单元等。存储器设备1008B能够包括一个或多个非瞬时计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪速存储器设备、磁盘等和/或其组合。
存储器设备1008B能够包括一个或多个计算机可读介质，并且能够存储能够由一个或多个处理器1008A访问的信息，包括能够由一个或多个处理器1008A执行的指令1008C。例如，如本文所述，存储器设备1008B能够存储用于确定设备位置并且向计算系统102提供位置数据的指令1008C。在一些实施例中，如本文所述，指令1008C能够由一个或多个处理器1008A执行以使得一个或多个处理器1008A执行操作，诸如用户设备120被配置的操作和功能和/或用户设备120的任何其它操作或功能中的任何一个。指令1008C能够是以任何合适的编程语言编写的软件，或能以硬件实现。附加或可替选地，指令1008C能够在处理器1008A上的逻辑和/或虚拟分离的线程中被执行。
一个或多个存储器设备1008B还能够存储能够被一个或多个处理器1008A检索、操纵、创建或存储的数据1008D。数据1008D能够包括例如与用户设备相关联的数据(例如，位置数据)。在一些实施方式中，能够从另一设备(例如，用于确定位置的远程计算系统)接收数据1008D。
用户设备120能够包括用于确定用户设备的位置的各种位置计算硬件1008F。例如，位置硬件1008F能够包括能够允许用户设备120确定其位置的传感器、GPS计算设备等。在一些实施方式中，位置计算硬件1008F能够结合从一个或多个其它远程计算设备接收的数据使用，以确定用户设备120的位置。在一些实施方式中，用户设备120能够包括用于显示为计算设备106接收的地图界面(例如，200)的显示器设备(例如，201)。
用户设备120还能够包括被用于在网络1002上与系统1000的一个或多个其它组件(例如，计算系统102)通信的网络接口1008F。网络接口1008F能够包括用于与一个或多个网络连接的任何合适的组件(例如，包括发射机、接收机、端口、控制器、天线或其它合适的组件)。
在一些实施方式中，系统1000能够进一步包括在网络1002上通信地耦合的训练计算系统128。训练计算系统128能够与机器学习计算系统102分离，或能够是机器学习计算系统102的一部分。训练计算系统128能够包括一个或多个计算设备1010A。
计算设备1010A能够包括一个或多个处理器1010B和一个或多个存储器设备1010C。一个或多个处理器1010B能够包括任何合适的处理设备，诸如微处理器、控制器、微控制器、集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、逻辑器件、一个或多个中央处理单元(CPUs)、图形处理单元(GPUs)(例如，专用于有效地渲染图像)、执行其它专门计算的处理单元等。存储器设备1010C能够包括一个或多个非瞬时计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪速存储器设备、磁盘等、和/或其组合。
存储器设备1010C能够包括一个或多个计算机可读介质，并且能够存储能够由一个或多个处理器1010B存取的信息，包括能够由一个或多个处理器1010B执行的指令1010D。例如，如本文所述，存储器1010C能够存储用于训练机器学习模型的指令1010D。在一些实施例中，指令1010D能够由一个或多个处理器1010B执行以使得一个或多个处理器1010B执行操作，诸如训练计算系统128被配置的操作和功能(例如，训练二元分类器模型)和/或训练计算系统128的任何其它操作或功能中的任何一个，如本文所述。指令1010D能够是以任何合适的编程语言编写的软件，或能够以硬件实现。附加或可替选地，指令1010D能够在处理器1010B上的逻辑和/或虚拟分离的线程中被执行。
一个或多个存储器设备1010C还能够存储能够被一个或多个处理器1010B检索、操纵、创建或存储的数据1010E。数据1010E能够包括例如训练数据等。在一些实施方式中，能够从另一设备(例如，能够远程访问的图像数据库)接收数据1010E。
计算设备1010A还能够包括一个或多个模型训练器1010F，例如模型训练器402。模型训练器1010F能够包括被用于提供所需功能的计算机逻辑。模型训练器1010F能够以控制通用处理器的硬件、固件和/或软件实现。例如，在一些实施方式中，模型训练器1010F能够包括存储在存储设备上、加载到存储器中并且由一个或多个处理器(例如，1010B)执行的程序文件。在其它实施方式中，模型训练器1010F能够包括存储在诸如RAM硬盘或光学或磁介质的有形计算机可读存储介质中的一个或多个计算机可执行指令集。
计算设备1010A还能够包括用于在网络1002上与系统1000的一个或多个其它组件(例如，计算系统102)通信的网络接口1010G。网络接口1010G能够包括用于与一个或多个网络连接的任何适当的组件，包括例如，发射机、接收机、端口、控制器、天线或其它合适的组件。
地图图块管理系统132能够包括一个或多个计算设备1012A。计算设备1012A能够包括一个或多个处理器1012B和一个或多个存储器设备1012C。一个或多个处理器1012B能够包括任何合适的处理设备，例如微处理器、微控制器、集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列FPGA)、逻辑器件、一个或多个中央处理单元(CPUs)、图形处理单元(GPUs)(例如，专用于高效地渲染图像)、执行其它专门计算的处理单元等。存储器设备1012C能够包括一个或多个非瞬时计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等和/或其组合。
存储器设备1012C能够包括一个或多个计算机可读介质，并且能够存储能够由一个或多个处理器1012B存取的信息，包括能够由一个或多个处理器1012B执行的指令1012D。例如，如本文所述，存储器1012C能够存储用于生成和更新地图图块的指令1012D。在一些实施例中，如本文所述，指令1012D能够由一个或多个处理器1012B执行以使得一个或多个处理器1012B执行操作，诸如地图图块管理系统132被配置的操作和功能(例如，生成新的地图图块、更新地图图块)和/或地图图块管理系统132的任何其它操作或功能中的任何一个。指令1012D能够是以任何合适的编程语言编写的软件，或能够在硬件中实现。附加或可替选地，指令1012D能够在处理器1012B上的逻辑和/或虚拟分离的线程中执行。
一个或多个存储器设备1012C还能够存储可被一个或多个处理器1012B检索、操作、创建或存储的数据1012E。数据1012E能够包括例如与一个或多个地图图块相关联的数据等。在一些实施方式中，数据库103能够被包括在地图图块管理系统132可或以其它方式与地图图块管理系统132相关联。在一些实施方式中，能够从另一个设备(例如，可远程访问的图像数据库)接收数据1012E。
计算设备1012A还能够包括用于在网络1002上与系统1000的一个或多个其它组件(例如，计算系统102、数据库103)通信的网络接口1012F。网络接口1012F能够包括用于与一个或多个网络接口连接的任何合适的组件，包括例如发射机、接收机、端口、控制器、天线或其它合适组件。
网络1002能够是任何类型的通信网络，诸如局域网(例如，内联网)、广域网(例如因特网)、蜂窝网络或其一些组合，并且能够包括任何多个有线或无线链路。网络1002还能够包括系统1000的一个或多个组件之间的直接连接。通常，网络1002上的通信能够经由任何类型的有线和/或无线连接使用各种通信协议(例如TCP/IP、HTTP、SMTP、FTP)、编码或格式(例如，HTML、XML)和/或保护方案(例如，VPN、安全HTTP、SSL)承载。
本文讨论的技术参考了服务器、数据库、软件应用程序和其它基于计算机的系统，以及所采取的动作和与这些系统来回发送的信息。本领域普通技术人员将认识到，基于计算机的系统的内在灵活性允许组件之间和组件之中的任务和功能的各种可能的配置、组合和划分。例如，本文讨论的服务器进程能够使用单个服务器或结合作用的多个服务器来实现。数据库和应用程序能够在单个系统上实现或分布在多个系统上。分布式组件能够顺序或并行操作。
此外，能够在用户设备处执行在此讨论的在服务器处执行的计算任务。同样地，本文讨论的在用户设备上执行计算任务也能够在服务器处执行。
虽然已经参考具体的示例性实施例及其方法详细描述了本主题，但是应当认识到，本领域技术人员在理解前述内容时，能够容易地对这些实施例产生变更、变形和等同。因此，本公开的范围是作为示例而不是限制的，并且本公开不排除包括对本领域的技术人员来说显而易见的对本主题的这些改进、变形和/或添加。

Claims (20)

1.一种更新地图界面的计算机实现的方法，包括：
通过一个或多个计算设备获得描述能够在显示设备上显示的地图界面的地图图块的数据，其中所述地图图块呈现与地理区域的至少一部分相关联的图像；
通过所述一个或多个计算设备获得描述图示所述地理区域的至少所述一部分的图像的数据，其中所述图像由图像获取系统获取；
通过所述一个或多个计算设备分析描述所述地图图块的数据和描述所述图像的数据，以确定与所述地理区域相关联的变化的发生；以及
通过所述一个或多个计算设备至少部分地基于与所述地理区域相关联的变化的发生而更新所述地图界面，以反映与所述地理区域相关联的变化。
2.根据权利要求1所述的计算机实现的方法，其中，通过所述一个或多个计算设备分析描述所述地图图块的数据和描述所述图像的数据以确定与所述地理区域相关联的变化的发生包括：
通过所述一个或多个计算设备识别与所述地图图块相关联的第一多个网格以及与所述图像相关联的第二多个网格；
通过所述一个或多个计算设备选择所述第一多个网格中的第一网格和所述第二多个网格中的第二网格，其中所述第一网格和所述第二网格均与所述地理区域的子区域相关联；
通过所述一个或多个计算设备将描述所述第一网格和所述第二网格的数据输入到机器学习二元分类器模型中，以识别与所述地理区域的所述子区域相关联的变化的发生；以及
通过所述一个或多个计算设备从所述二元分类器模型接收第一输出，所述输出描述与所述地理区域的所述子区域相关联的变化的发生。
3.根据权利要求2所述的计算机实现的方法，其中，通过所述一个或多个计算设备分析描述所述地图图块的数据和描述所述图像的数据以确定与所述地理区域相关联的变化的发生进一步包括：
通过所述一个或多个计算设备将描述所述第一多个网格和第二多个网格中的其它网格的数据提供为所述二元分类器模型的另一输入，以识别与所述地理区域的一个或多个其它子区域相关联的一个或多个变化的发生；以及
通过所述一个或多个计算设备从所述二元分类器模型接收第二输出，所述第二输出描述与所述地理区域的一个或多个其它子区域相关联的一个或多个变化的发生。
4.根据权利要求3所述的计算机实现的方法，进一步包括：
通过所述一个或多个计算设备至少部分地基于所述第一输出和第二输出来确定与所述地理区域相关联的变化度。
5.根据权利要求1至4中的任一项所述的计算机实现的方法，其中，通过所述一个或多个计算设备更新所述地图界面以反映与所述地理区域相关联的变化包括：
通过所述一个或多个计算设备确定所述变化度是否超过阈值水平；以及
当所述变化度超过所述阈值水平时，通过所述一个或多个计算设备更新所述地图界面。
6.根据权利要求5所述的计算机实现的方法，进一步包括：
通过所述一个或多个计算设备向所述图像获取系统提供控制命令，以至少部分地基于所述变化度来调整与所述地理区域相关联的图像数据的获取。
7.根据前述权利要求中的任一项所述的计算机实现的方法，其中，通过所述一个或多个计算设备更新所述地图界面以反映与所述地理区域相关联的变化包括：
通过所述一个或多个计算设备将控制命令提供给地图图块管理系统，以创建新的地图图块来反映所述地理区域的变化。
8.根据前述权利要求中的任一项所述的计算机实现的方法，其中，通过所述一个或多个计算设备更新所述地图界面以反映与所述地理区域相关联的变化包括：
通过所述一个或多个计算设备利用反映所述地理区域的变化的新地图图块替换所述地图界面的地图图块。
9.根据权利要求8所述的计算机实现的方法，其中，所述新地图图块至少部分地基于图示所述地理区域的至少所述一部分的图像。
10.根据前述权利要求中的任一项所述的计算机实现的方法，进一步包括：
通过所述一个或多个计算设备获得与多个用户设备相关联的位置数据，所述位置数据描述位于所述地理区域处的用户设备的数量；以及
通过所述一个或多个计算设备至少部分地基于位于所述地理区域处的用户设备的数量来确定与所述地理区域相关联的重要度。
11.根据权利要求1所述的计算机实现的方法，进一步包括：
通过所述一个或多个计算设备至少部分地基于与所述地理区域相关联的重要度来识别所述地图图块。
12.根据权利要求10或11所述的计算机实现的方法，其中，根据与所述地理区域相关联的重要度被确定为高于阈值，执行更新所述地图界面的步骤。
13.根据前述权利要求中的任一项所述的计算机实现的方法，其中，与所述地理区域相关联的变化包括与结构性资产相关联的变化和与运输资产相关联的变化中的至少一个。
14.一种包括计算机可执行指令的非瞬时计算机可读存储介质，所述计算机可执行指令在由一个或多个计算机处理器执行时将使所述处理器执行根据前述权利要求中的任一项所述的方法。
15.一种用于更新地图界面的计算机系统，包括：
至少一个处理器；以及
存储指令的至少一个有形、非瞬时计算机可读介质，所述指令在由所述至少一个处理器执行时使所述计算系统：
获得描述能够在显示设备上显示的地图界面的地图图块的数据，其中所述地图图块呈现与地理区域的至少一部分相关联的图像；
获得描述图示所述地理区域的至少所述一部分的图像的数据；
分析描述所述地图图块的数据和描述所述图像的数据，以确定与所述地理区域相关联的变化的发生；以及
至少部分地基于与所述地理区域相关联的变化的发生来更新所述地图界面，以反映与所述地理区域相关联的变化。
16.根据权利要求15所述的计算系统，其中，为了分析描述所述地图图块的数据和描述所述图像的数据以确定与所述地理区域相关联的变化的发生，所述指令使所述系统：
识别与所述地图图块相关联的第一多个网格以及与所述图像相关联的第二多个网格；
选择所述第一多个网格中的第一网格和所述第二多个网格中的第二网格，其中所述第一网格和所述第二网格均与所述地理区域的子区域相关联；
将描述所述第一网格和所述第二网格的数据输入到机器学习二元分类器模型中，以识别与所述地理区域的所述子区域相关联的变化的发生；以及
从所述二元分类器模型接收第一输出，所述输出描述与所述地理区域的所述子区域相关联的变化的发生。
17.根据权利要求15或16所述的计算系统，其中，为了更新所述地图界面以反映与所述地理区域相关联的变化，所述指令使所述系统：
至少部分地基于所述变化的发生来确定与所述地理区域相关联的变化度；
确定所述变化度是否超过阈值水平；以及
当所述变化度超过所述阈值水平时，更新所述地图界面。
18.根据权利要求15至17中的任一项所述的计算系统，其中，为了更新所述地图界面以反映与所述地理区域相关联的变化，所述指令使所述系统：
提供控制命令，以创建新的地图图块来反映所述地理区域的变化。
19.根据权利要求15至18中的任一项所述的计算系统，其中，为了更新所述地图界面以反映与所述地理区域相关联的变化，所述指令使所述系统：
利用反映所述地理区域的变化的新的地图图块替换所述地图界面的地图图块。
20.根据权利要求15至19中的任一项所述的计算系统，其中，所述指令进一步使所述系统：
获得与多个用户设备相关联的位置数据，所述位置数据描述位于所述地理区域处的用户设备的数量；
至少部分地基于所述位置数据来确定与所述地理区域相关联的重要度；以及
至少部分地基于与所述地理区域相关联的重要度来识别所述地图图块。
CN201680019888.0A 2016-08-24 2016-08-24 基于变化检测的地图界面更新系统 Active CN110325981B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2016/048411 WO2018038722A1 (en) 2016-08-24 2016-08-24 Change detection based map interface updating system

Publications (2)

Publication Number Publication Date
CN110325981A true CN110325981A (zh) 2019-10-11
CN110325981B CN110325981B (zh) 2023-02-17

Family

ID=56877133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680019888.0A Active CN110325981B (zh) 2016-08-24 2016-08-24 基于变化检测的地图界面更新系统

Country Status (8)

Country Link
US (1) US10528542B2 (zh)
EP (1) EP3504634A1 (zh)
JP (1) JP7023927B2 (zh)
KR (1) KR102299378B1 (zh)
CN (1) CN110325981B (zh)
DE (1) DE112016002782T5 (zh)
GB (1) GB2568227A (zh)
WO (1) WO2018038722A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684789A (zh) * 2019-10-17 2021-04-20 诺基亚通信公司 控制设备的移动

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109843683B (zh) * 2016-10-18 2022-03-22 本田技研工业株式会社 车辆控制装置
CN108460815B (zh) * 2017-02-22 2022-06-17 腾讯科技（深圳）有限公司 地图道路要素编辑方法和装置
CN107067003B (zh) * 2017-03-09 2021-09-21 百度在线网络技术（北京）有限公司 感兴趣区域边界的提取方法、装置、设备和计算机存储介质
US10541745B2 (en) * 2017-03-10 2020-01-21 Hughes Network Systems, Llc System and method for network controlled geofencing
US10803361B2 (en) * 2017-05-11 2020-10-13 Facebook, Inc. Systems and methods for partitioning geographic regions
WO2019031006A1 (ja) * 2017-08-10 2019-02-14 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
US10809719B2 (en) * 2017-08-29 2020-10-20 Uatc, Llc Systems and methods of controlling an autonomous vehicle using an enhanced trajectory following configuration
JP7013182B2 (ja) * 2017-09-21 2022-01-31 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
US10560206B2 (en) 2017-12-12 2020-02-11 Viavi Solutions Inc. Processing a beamformed radio frequency (RF) signal
US10218941B1 (en) * 2018-03-13 2019-02-26 Lyft, Inc. Systems and methods for coordinated collection of street-level image data
JP6982242B2 (ja) * 2018-04-12 2021-12-17 日本電信電話株式会社 学習データ生成装置、変化領域検出方法及びコンピュータプログラム
US10631263B2 (en) * 2018-09-14 2020-04-21 Viavi Solutions Inc. Geolocating a user equipment
US11592297B2 (en) 2018-12-20 2023-02-28 Here Global B.V. Method and apparatus for updating maps using gradient thresholding
US10876844B2 (en) * 2018-12-26 2020-12-29 Beijing Voyager Technology Co., Ltd. Systems and methods for loading and tracking maps on a vehicle
DE102019101639A1 (de) * 2019-01-23 2020-07-23 Deutsches Zentrum für Luft- und Raumfahrt e.V. System zum Update von Navigationsdaten
US20210406559A1 (en) * 2020-06-29 2021-12-30 Lyft, Inc. Systems and methods for effecting map layer updates based on collected sensor data
KR102374158B1 (ko) * 2020-08-10 2022-03-16 (주)아이웨이 Gis 및 cnn 기반 공공데이터를 이용한 변화탐지 서비스 제공 방법
US11651685B2 (en) 2020-09-23 2023-05-16 International Business Machines Corporation Traffic data analysis and traffic jam prediction
US11601209B2 (en) * 2020-11-25 2023-03-07 At&T Intellectual Property I, L.P. Modeling radio wave propagation in a fifth generation (5G) or other next generation network
CN116166765B (zh) * 2023-04-23 2023-08-01 国家基础地理信息中心 一种矢量数据的更新方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110264361A1 (en) * 2007-08-25 2011-10-27 Continental Teves Ag & Co. Ohg Apparatus and method for updating digital maps
US20120027250A1 (en) * 2010-07-28 2012-02-02 Microsoft Corporation Data difference guided image capturing
US20120323432A1 (en) * 2011-06-14 2012-12-20 INRO Technologies Limited Method and apparatus for facilitating map data processing for industrial vehicle navigation
CN102948231A (zh) * 2010-04-27 2013-02-27 诺基亚公司 处理无线电地图数据库的对象
CN104303071A (zh) * 2012-05-02 2015-01-21 高通股份有限公司 供移动设备使用的室内导航辅助数据的适应性更新
CN105637530A (zh) * 2013-10-16 2016-06-01 谷歌公司 使用众包视频的3d模型更新

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0786914B2 (ja) 1986-11-07 1995-09-20 株式会社日立製作所 画像を用いた変化検出方法
IE61778B1 (en) 1989-01-04 1994-11-30 Emyville Enterprises Image processing
US6661838B2 (en) 1995-05-26 2003-12-09 Canon Kabushiki Kaisha Image processing apparatus for detecting changes of an image signal and image processing method therefor
US6335976B1 (en) 1999-02-26 2002-01-01 Bomarc Surveillance, Inc. System and method for monitoring visible changes
FR2845621B1 (fr) 2002-10-10 2004-12-10 Ahlstrom Research & Services Media filtrant perfectionne et utilisation dudit media filtrant pour la depollution des lagunes
US7270299B1 (en) 2004-03-23 2007-09-18 Northrop Grumman Corporation Space based change detection using common ground track constellations
JP4521235B2 (ja) 2004-08-25 2010-08-11 日立ソフトウエアエンジニアリング株式会社 撮影画像の変化抽出装置及び方法
JP4699170B2 (ja) 2005-10-19 2011-06-08 アイシン・エィ・ダブリュ株式会社 地図情報配信システム
JP4156003B2 (ja) 2006-10-12 2008-09-24 株式会社ゼンリン 地図情報管理システム及び地図情報配信システム
US7990804B2 (en) 2006-12-01 2011-08-02 The United States Of America As Represented By The Secretary Of The Navy Method and system for real-time automated change detection and classification for images
US20080278508A1 (en) 2007-05-11 2008-11-13 Swen Anderson Architecture and Method for Remote Platform Control Management
US8144937B2 (en) 2008-10-15 2012-03-27 The Boeing Company System and method for airport mapping database automatic change detection
US8156136B2 (en) 2008-10-16 2012-04-10 The Curators Of The University Of Missouri Revising imagery search results based on user feedback
US8348248B2 (en) 2009-03-11 2013-01-08 L'air Liquide Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Bubbling supply system for stable precursor supply
WO2010105714A1 (en) 2009-03-16 2010-09-23 Tele Atlas B.V. Method for updating digital maps using altitude information
JP2011022004A (ja) * 2009-07-15 2011-02-03 Pioneer Electronic Corp 地図データ更新装置、地図データ更新方法、地図データ更新プログラムおよび記録媒体
GB2482551A (en) 2010-08-06 2012-02-08 Qinetiq Ltd Alignment of synthetic aperture radar images
KR20120071160A (ko) * 2010-12-22 2012-07-02 한국전자통신연구원 이동체용 실외 지도 제작 방법 및 그 장치
WO2013032823A1 (en) 2011-08-26 2013-03-07 Skybox Imaging, Inc. Adaptive image acquisition and processing with image analysis feedback
US9977978B2 (en) 2011-11-14 2018-05-22 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery
JP2013152383A (ja) * 2012-01-26 2013-08-08 Mitsubishi Electric Corp 簡略地図生成装置、簡略地図生成方法、簡略地図表示装置、及び簡略地図表示方法
JP5905308B2 (ja) 2012-03-26 2016-04-20 富士フイルム株式会社 画像処理装置、方法及びプログラム
IL231947A0 (en) * 2014-04-03 2014-08-31 Chess Vision Ltd A vision system for monitoring board games and a method therefor
WO2015182382A1 (ja) * 2014-05-30 2015-12-03 富士フイルム株式会社 細胞評価装置および方法並びにプログラム
US9437004B2 (en) 2014-06-23 2016-09-06 Google Inc. Surfacing notable changes occurring at locations over time
CN104778719B (zh) 2015-05-07 2017-10-24 西安电子科技大学 基于二阶统计量扰动分析的sar图像变化检测方法
US10042055B2 (en) 2016-04-20 2018-08-07 Here Global B.V. Traffic volume estimation
US9886771B1 (en) 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
GB2555228B (en) * 2016-08-24 2021-10-27 Google Llc Change detection based imagery acquisition tasking system
RU2677573C2 (ru) * 2017-04-05 2019-01-17 Общество С Ограниченной Ответственностью "Яндекс" Система и способ дополнения изображения стилизованными свойствами
US11373266B2 (en) * 2017-05-05 2022-06-28 Intel Corporation Data parallelism and halo exchange for distributed machine learning
US10552978B2 (en) * 2017-06-27 2020-02-04 International Business Machines Corporation Dynamic image and image marker tracking

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110264361A1 (en) * 2007-08-25 2011-10-27 Continental Teves Ag & Co. Ohg Apparatus and method for updating digital maps
CN102948231A (zh) * 2010-04-27 2013-02-27 诺基亚公司 处理无线电地图数据库的对象
US20120027250A1 (en) * 2010-07-28 2012-02-02 Microsoft Corporation Data difference guided image capturing
US20120323432A1 (en) * 2011-06-14 2012-12-20 INRO Technologies Limited Method and apparatus for facilitating map data processing for industrial vehicle navigation
CN104303071A (zh) * 2012-05-02 2015-01-21 高通股份有限公司 供移动设备使用的室内导航辅助数据的适应性更新
CN105637530A (zh) * 2013-10-16 2016-06-01 谷歌公司 使用众包视频的3d模型更新

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684789A (zh) * 2019-10-17 2021-04-20 诺基亚通信公司 控制设备的移动

Also Published As

Publication number Publication date
GB201715887D0 (en) 2017-11-15
WO2018038722A1 (en) 2018-03-01
KR20190024971A (ko) 2019-03-08
US20180253424A1 (en) 2018-09-06
GB2568227A (en) 2019-05-15
EP3504634A1 (en) 2019-07-03
JP2019533180A (ja) 2019-11-14
CN110325981B (zh) 2023-02-17
KR102299378B1 (ko) 2021-09-07
US10528542B2 (en) 2020-01-07
JP7023927B2 (ja) 2022-02-22
DE112016002782T5 (de) 2018-07-05

Similar Documents

Publication Publication Date Title
CN110325981A (zh) 基于变化检测的地图界面更新系统
US10922578B2 (en) Change detection based imagery acquisition tasking system
Hodgson et al. Drones count wildlife more accurately and precisely than humans
US11275989B2 (en) Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network
CN107918776B (zh) 一种基于机器视觉的用地规划方法、系统及电子设备
Surabuddin Mondal et al. Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques
Jagannathan et al. Deep learning for the prediction and classification of land use and land cover changes using deep convolutional neural network
US11972541B2 (en) Methods and systems for using trained generative adversarial networks to impute 3D data for construction and urban planning
Akiyama et al. Evaluating different deep learning models for automatic water segmentation
US20230289974A1 (en) Performing semantic segmentation of 3d data using deep learning
Gaur et al. Emerging Trends, Techniques, and Applications in Geospatial Data Science
Garg Understanding Geospatial Data
Jande et al. Prediction of Land Use Change in Katsina-Ala through a Geospatial Approach
US11983851B2 (en) Methods and systems for using trained generative adversarial networks to impute 3D data for underwriting, claim handling and retail operations
Jaad A Modeling Framework for Urban Growth Prediction using Remote Sensing and Video Prediction Technologies: A Time-Dependent Convolutional Encoder-Decoder Architecture
Hu et al. Capturing urban green view with mobile crowd sensing
Pi Artificial Intelligence for Aerial Information Retrieval and Mapping in Natural Disasters
Sobotkova et al. Validating predictions of burial mounds with field data: the promise and reality of machine learning
Moss Identifying Smokestacks in Remotely Sensed Imagery via Deep Learning Algorithms
Bergado Deep Learning for Quantitative Predictions in Remote Sensing
Tasinaffo et al. Determination of Forest Reserves Area Using Images Processed by Drones, Neural Networks and Monte Carlo Method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant