DE112016002817T5

DE112016002817T5 - Änderungserfassungbasiertes bildaufnahme-beauftragungssystem

Info

Publication number: DE112016002817T5
Application number: DE112016002817.2T
Authority: DE
Inventors: Yan Mayster; Brian Edmond Brewington; Sujoy BANERJEE
Original assignee: Google LLC
Current assignee: Google LLC
Priority date: 2016-08-24
Filing date: 2016-08-24
Publication date: 2018-04-26
Also published as: GB201715843D0; KR102208347B1; GB2555228A; EP3504661A1; WO2018038720A1; US10922578B2; CN108351959B; US20180253621A1; GB2555228B; JP6740454B2; JP2019532380A; KR20190029610A; CN108351959A; EP3504661B1

Abstract

Es werden Systeme und Verfahren zum Beauftragen eines Bilderfassungssystems bereitgestellt. In einer Ausführungsform beinhaltet ein Verfahren das Erhalten von Daten, die eine Vielzahl von Bildern beschreiben, die einem geografischen Bereich zugeordnet sind. Das Verfahren beinhaltet das Analysieren von mindestens einer Teilmenge der Vielzahl von Bildern, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind. Das Verfahren beinhaltet das Bestimmen eines mit dem geografischen Bereich assoziierten Änderungsgrades, basierend zumindest teilweise auf dem Auftreten der einen oder mehreren Änderungen, die mit dem geografischen Bereich assoziiert sind. Das Verfahren beinhaltet das Bereitstellen eines Steuerbefehls an ein Bilderfassungssystem, um eine Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise basierend auf dem Änderungsgrad anzupassen.

Description

TECHNISCHES GEBIET
Die vorliegende Offenbarung bezieht sich allgemein auf das Beauftragen eines Bilderfassungssystems und insbesondere auf das Beauftragen eines Bilderfassungssystems basierend zumindest teilweise auf der maschinell erlernten Änderungserfassung eines geografischen Bereichs.
ALLGEMEINER STAND DER TECHNIK
Bilder von geografischen Standorten können für eine Vielzahl von Zwecken verwendet werden, wie geografische Benutzeroberflächen, Navigationssysteme, Online-Suchantworten usw. Diese Bilder können zum Beispiel von Satelliten erfasst werden, die programmiert sind, um Bilder von bestimmten geografischen Standorten zu erfassen. In einigen Fällen kann die Häufigkeit der Bilderfassung, die einem bestimmten Standort zugeordnet ist, von Eindrücken von Online-Benutzern abhängen. Je öfter beispielsweise Benutzer nach einem bestimmten Standort suchen bzw. den Standort innerhalb einer Benutzeroberfläche betrachten, desto häufiger kann ein Satellitensystem Bilder des Standortes erfassen. Dieser Ansatz erfasst jedoch möglicherweise nicht genau, welche Gebiete die stärkste Veränderung erfahren.
KURZDARSTELLUNG
Aspekte und Vorteile der Ausführungsformen der vorliegenden Offenbarung werden in der folgenden Beschreibung teilweise dargestellt, oder sind aus der Beschreibung abzuleiten oder werden durch die praktische Anwendung der Ausführungsformen deutlich gemacht.
Ein beispielhafter Aspekt der vorliegenden Offenbarung betrifft ein computerimplementiertes Verfahren zum Beauftragen eines Bilderfassungssystems. Das Verfahren beinhaltet das Erhalten von Daten durch ein oder mehrere Computergeräte, die eine Vielzahl von mit einem geografischen Bereich assoziierten Bildern beschreiben, wobei jedes Bild zumindest einen Teil des geografischen Bereichs darstellt und jedes Bild zu einer anderen Zeit erfasst wurde. Das Verfahren beinhaltet ferner das Analysieren von mindestens einer Teilmenge der Vielzahl von Bildern durch das eine oder die mehreren Computergeräte, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind. Das Verfahren beinhaltet das Bestimmen, durch das eine oder die mehreren Computergeräte, eines mit dem geografischen Bereich assoziierten Änderungsgrades, basierend zumindest teilweise auf dem Auftreten der einen oder mehreren Änderungen, die mit dem geografischen Bereich assoziiert sind. Das Verfahren beinhaltet ferner das Bereitstellen eines Steuerbefehls an ein Bilderfassungssystem durch das eine oder die mehreren Computergeräte, um eine Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise basierend auf dem Änderungsgrad anzupassen.
Ein weiterer beispielhafter Aspekt der vorliegenden Offenbarung betrifft ein Computersystem zum Beauftragen eines Bilderfassungssystems. Das System umfasst mindestens einen Prozessor und mindestens ein physisches, nichtflüchtiges computerlesbares Medium, das Anweisungen speichert, die bei Ausführung durch den mindestens einen Prozessor bewirken, dass das Computersystem Daten erhält, die eine Vielzahl von Bildern beschreiben, wobei jedes Bild mindestens einen Teil des geografischen Bereichs darstellt und jedes Bild zu einem anderen Zeitpunkt aufgenommen wurde. Die Anweisungen veranlassen das System, mindestens eine Teilmenge der Vielzahl von Bildern zu analysieren, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind. Die Anweisungen veranlassen das System, einen mit dem geografischen Bereich assoziierten Änderungsgrad zumindest teilweise basierend auf dem Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind. Die Anweisungen veranlassen das System, einen Steuerbefehl an ein Bilderfassungssystem bereitzustellen, um eine Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise auf dem Grad der Änderung anzupassen.
Andere beispielhafte Aspekte der vorliegenden Offenbarung sind auf Systeme, Vorrichtungen, physische, nichtflüchtige computerlesbare Medien, Benutzeroberflächen, Speichervorrichtungen und elektronische Vorrichtungen zum Beauftragen eines Bilderfassungssystem gerichtet.
Diese und andere Merkmale, Aspekte und Vorteile der verschiedenen Ausführungsformen werden mit Bezug auf die folgende Beschreibung und die beigefügten Ansprüche verständlicher. Die beiliegenden Zeichnungen, die in diese Spezifikation integriert sind und einen Teil dieser Spezifikation darstellen, veranschaulichen Ausführungsformen der vorliegenden Offenbarung und dienen zusammen mit der Beschreibung als Erklärung der zugehörigen Prinzipien.
Figurenliste
Eine ausführliche Erläuterung der Ausführungsformen, die sich an die Fachleute auf diesem Gebiet richtet, ist in der Spezifikation dargestellt, die Bezug auf die beigefügten Figuren nimmt, in denen:

1 ein beispielhaftes System gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung zeigt;
2 eine beispielhafte Vielzahl von Bildern eines geografischen Bereichs gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung zeigt;
3 das Training eines maschinell erlernten Modells gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung veranschaulicht;
4 eine beispielhafte Vielzahl von Bildern zeigt, die gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung in Abschnitte aufgeteilt sind;
5 ein beispielhaftes maschinell gelerntes Modell gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung zeigt;
6 eine graphische Darstellung veranschaulicht, die den Änderungsgrad einer Vielzahl von geografischen Bereichen gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung anzeigt;
7 ein Flussdiagramm eines beispielhaften Verfahrens gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung darstellt;
8 ein Flussdiagramm eines beispielhaften Verfahrens gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung darstellt; und
9 ein beispielhaftes System gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung zeigt.

AUSFÜHRLICHE BESCHREIBUNG
Es wird jetzt im Detail auf verschiedene Ausführungsformen Bezug genommen, von denen ein oder mehrere Beispiele in den Zeichnungen veranschaulicht sind. Jedes Beispiel wird als Erklärung der Ausführungsform und in keiner Weise als Einschränkung der vorliegenden Offenbarung bereitgestellt. Tatsächlich werden Fachleute erkennen, dass verschiedene Modifikationen und Variationen an den Ausführungsformen vorgenommen werden können, ohne vom Umfang oder Sinn der vorliegenden Offenbarung abzuweichen. Es können beispielsweise Eigenschaften, die als Teil einer Ausführungsform dargestellt oder beschrieben werden, auch in einer anderen Ausführungsform verwendet werden, um noch eine weitere Ausführungsform zu erhalten. Dabei wird beabsichtigt, dass Aspekte der hier vorliegenden Offenbarung auch solche Modifikationen und Variationen einbeziehen.
Beispielhafte Aspekte der vorliegenden Offenbarung betreffen das Beauftragen eines Bilderfassungssystems, das zumindest teilweise auf der Erfassung von Änderungen innerhalb eines geografischen Bereichs basiert. Zum Beispiel kann ein Maschinenlern-Computersystem mit einem oder mehreren maschinell erlernten Modellen eine Vielzahl von Bildern empfangen, die mit einem bestimmten geografischen Bereich assoziiert sind, wie etwa einer Wohngegend. Jedes der Bilder kann zu einem anderen Zeitpunkt aufgenommen werden (z. B. durch tägliche, wöchentliche, monatliche oder jährliche Zeiträume getrennt). Das Computersystem kann die Bilder analysieren, um das Auftreten einer Änderung innerhalb der Nachbarschaft zu bestimmen. Insbesondere kann in einem Beispiel das Computersystem ein maschinell erlerntes binäres Klassifikatormodell zur Auswertung der Bilder verwenden, um eine Änderung von Gebäuden, Straßen usw. zu identifizieren, die verschiedenen Teilregionen (z. B. Grundstücken) innerhalb der Nachbarschaft zugeordnet sind. Das Computersystem kann die erfassten Änderungen (oder deren Fehlen) in jeder der Teilregionen aggregieren, um einen mit der Nachbarschaft assoziierten Gesamtänderungsgrad zu bestimmen. Das Computersystem kann ein Bilderfassungssystem beauftragen, seine Erfassung von Bilddaten in Bezug auf den geografische Bereich zumindest teilweise basierend auf dem bestimmten Änderungsgrad anzupassen. Wenn beispielsweise zahlreiche Gebäude und/oder Straßen zu der Nachbarschaft hinzugefügt werden, kann das Bilderfassungssystem die Häufigkeit erhöhen, mit der Bilder der Nachbarschaft erhalten werden (z. B. durch Luftplattformen). Wenn jedoch die Nachbarschaft ein geringes Maß an Änderung oder überhaupt keine Änderung erfährt, kann das Bilderfassungssystem die Häufigkeit verringern, mit der Bilder der Nachbarschaft erhalten werden. Auf diese Weise kann ein Bilderfassungssystem ein erhöhtes Maß an Anleitung erhalten, wie und wo neue Bilddaten aufzunehmen sind, und seine Akquisitionsressourcen können effizienter zugeordnet werden.
Insbesondere kann ein beispielhaftes System gemäß Aspekten der vorliegenden Offenbarung ein Maschinenlern-Computersystem und ein Bilderfassungssystem beinhalten. Das Computersystem kann Daten erhalten, die eine Vielzahl von einem geografischen Bereich zugeordneten Bildern beschreiben, wobei jedes Bild zumindest einen Teil des geografischen Bereichs darstellt. Der geografischer Bereich kann eine Region eines Himmelskörpers (z. B. Erde, Mond, Mars, anderer Körper), eine Region eines Landes, einen Staat, eine Gemeinde, ein durch Landgrenzen definiertes Gebiet, eine Nachbarschaft, eine Parzellierung, einen Schulbezirk, ein Einkaufszentrum, eine Büro-Anlage, usw. umfassen. In einigen Implementierungen kann das Computersystem die Bilddaten von einer zugreifbaren Bilddatenbank erhalten, die Bilder von geografischen Bereichen speichert. Die Bilddatenbank kann mit dem Computersystem selbst, dem Bilderfassungssystem und/oder einem anderen Computersystem, getrennt von dem Maschinenlern-Computersystem und dem Bilderfassungssystem, assoziiert sein.
Die Bilddatenbank kann verschiedene Arten von Bilddaten speichern, die mit geografischen Bereichen assoziiert sind. Beispielsweise können die Bilddaten bodennahe Bilder (z. B. Panoramabilder auf Straßenebene, Sätze von Lichterfassungs- und Entfernungsmessdaten (LIDAR-Daten), andere Bilder auf oder nahe der Straßenebene) sowie Luftaufnahmebilder (z. B. Bilder mit Draufsicht) beinhalten. Die Bilder können optische Bilder, Infrarotbilder, LIDAR-Datenbilder, Hyperspektralbilder oder jede andere Art von Bildern sein. Darüber hinaus können die Bilder von Bilderfassungsplattformen wie Straßenebenenplattformen (z. B. Kraftfahrzeugen) und/oder Luftplattformen (z. B. Flugzeugen, UAVs, Satelliten) erworben werden. Zum Beispiel kann die Bilddatenbank Bilder speichern, die zuvor durch das Bilderfassungssystem aufgezeichnet wurden. Zusätzlich und/oder alternativ können die Bilder vom Benutzer übermittelte Bilder (z. B. Fotografien) sein. Das Maschinenlern-Computersystem kann auf ähnliche Bilder (von der Bilddatenbank) zugreifen, um den Vergleich von Bildern, wie hierin beschrieben (z. B. Luftaufnahmebilder mit Luftaufnahmebildern), zu erleichtern.
In einigen Implementierungen kann das Computersystem einen geografischen Bereich von Interesse zumindest teilweise basierend auf Standortdaten identifizieren. Zum Beispiel kann das Computersystem Standortdaten erhalten, die einer Vielzahl von Benutzervorrichtungen (z. B. Telefonen, Tablets, anderen mobilen Computergeräten) zugeordnet sind. Die Standortdaten können einen Standort beschreiben, der der Benutzervorrichtung zugeordnet ist. Beispielsweise können die Standortdaten einen oder mehrere Rohstandortberichte beinhalten, die einen Geocode umfassen, der einen Breitengrad und einen Längengrad identifiziert, die der Benutzervorrichtung zugeordnet sind. Dies kann es dem Computersystem ermöglichen, eine Wichtigkeitsstufe zu bestimmen, die einem bestimmten geografischen Bereich zugeordnet ist. Zum Beispiel können die Standortdaten anzeigen, dass eine große Anzahl von Benutzern kürzlich eine bestimmte Nachbarschaft (oder Parzellierung innerhalb der Nachbarschaft) besucht hat. Das hohe Maß an Benutzerverkehr kann auf eine hohe Wichtigkeitsstufe hinweisen (z. B. Benutzerinteresse, potentieller Änderungsbereich), die der Nachbarschaft zugeordnet ist. Als solches kann das Computersystem die Nachbarschaft als einen geografischen Bereich von Interesse identifizieren, für das es das Auftreten einer Änderung bestimmen sollte.
Das Computersystem kann mindestens eine Teilmenge der Vielzahl von Bildern analysieren, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich verbunden sind. Zum Beispiel kann das Computersystem die Bilder analysieren, um eine Änderung in der Infrastruktur zu bestimmen, wie z. B. das Hinzufügen von neuen Gebäuden und/oder Straßen, laufende Gebäude- und/oder Straßenkonstruktionen, den Abriss von Gebäuden und/oder Straßen, laufender Abriss von Gebäuden und/oder Straßen, usw. Um dies zu tun, kann das Computersystem ein maschinell gelerntes binäres Klassifikatormodell verwenden, um eine Änderung innerhalb des geografischen Bereich zu erfassen. Das binäre Klassifikatormodell kann ein maschinell erlerntes Modell sein oder kann anderweitig verschiedene maschinell erlernte Modelle beinhalten, wie beispielsweise neuronale Netzwerke (z. B. tiefe neuronale Netzwerke) oder andere nichtlineare Mehrschichtmodelle.
Das binäre Klassifikatormodell kann trainiert werden, um das Auftreten einer Änderung innerhalb des geografischen Bereichs zu erfassen, indem zumindest einige der Bilder des geografischen Bereichs untersucht werden. Zum Beispiel kann das Computersystem ein erstes Bild des geografischen Bereichs in eine erste Vielzahl von Zellen und ein zweites Bild des geografischen Bereichs in eine zweite Vielzahl von Zellen aufteilen. Das Computersystem kann eine erste Zelle aus der ersten Vielzahl von Zellen und eine entsprechende zweite Zelle aus der zweiten Vielzahl von Zellen auswählen. Jede Zelle kann eine Zielteilregion (z. B. Grundstück) des größeren geografischen Bereichs(z. B. Nachbarschaft) darstellen. Beispielsweise können die erste Zelle und die zweite Zelle dem gleichen (oder ähnlichen) Zielteilbereich des geografischen Bereichs zugeordnet sein. Das Computersystem kann Daten, die die erste und die zweite Zelle beschreiben, in das maschinell gelernte binäre Klassifikatormodell eingeben. Diese Daten können den Abschnitt des Bildes (z. B. die einzelnen Pixel) beinhalten, der in der einzelnen Zelle dargestellt ist, und/oder die damit verbundenen visuellen Merkmale beschreiben.
Das Modell kann ein Auftreten einer Änderung (z. B. Gebäudefluktuation, Straßenfluktuation) identifizieren, die mit dem Zielteilbereich assoziiert ist. Zum Beispiel kann das Modell trainiert werden, um das Auftreten der Änderung zu identifizieren, die dem Zielteilbereich zugeordnet ist, indem eine oder mehrere visuelle Eigenschaften (z. B. Pixelfarbe, Intensität, abgebildete Objekte) der ersten und der zweiten Zelle verglichen werden. Das Modell kann das Auftreten der Änderung in einer binären Weise klassifizieren, beispielsweise, ob eine Änderung zwischen der Zeit, zu der die Bilder erfasst wurden, (z. B. „1“) aufgetreten ist oder ob keine Änderung aufgetreten ist (z. B. „0“). Das binäre Klassifikatormodell kann eine Ausgabe erzeugen, die beschreibt, ob eine Änderung (z. B. eine Gebäudekonstruktion) innerhalb des Grundstücks aufgetreten ist. Dieser Prozess kann für andere Zellen der Bilder wiederholt werden, um das Auftreten von Änderungen innerhalb mehrerer Zielteilbereiche der Nachbarschaft zu identifizieren.
Das Computersystem kann einen Änderungsgrad bestimmen, der dem geografischen Bereich zugeordnet ist. Der Änderungsgrad kann die Gesamtänderung darstellen, die der geografische Bereich während eines Zeitraums erfährt, basierend auf den Änderungen, die in den Teilregionen des geografischen Bereichs aufgetreten sind. Zum Beispiel kann das Computersystem den Änderungsgrad, der mit dem geografischen Bereich (z. B. Nachbarschaft) assoziiert ist, durch Aggregieren der für jeden Zielteilbereich (z. B. Grundstücke) bestimmten Änderungsvorkommen bestimmen. In einigen Implementierungen kann der Gesamtänderungsgrad für einen geografischen Bereich bestimmt werden, indem die binären Klassifikationen (z. B. 0, 1) hinzugefügt werden, die für jeden Zielteilbereich des geografischen Bereichs bestimmt werden. Zum Beispiel kann der geografische Bereich in 224 Zellen unterteilt werden, von denen jede einen Zielteilbereich darstellt. Das binäre Klassifikatormodell kann bestimmen, dass 150 dieser Zielteilbereiche keine Änderung erfahren (z. B. eine „0“ ausgeben), während 74 der Zielteilbereiche eine Änderung erfahren (z. B. eine „1“ ausgeben). Der Gesamtänderungsgrad für den geografischen Bereich kann somit 74 sein, was eine Summation der binären Klassifizierungen darstellt (z. B. 150 „Nullen“ + 74 „Einsen“). Dieser Wert kann weiter normalisiert werden (z. B. 74/(74+150) = ,33), um die Größe der Zelle zu normalisieren. Wie hierin weiter beschrieben wird, kann das Computersystem den Gesamtänderungsgrad unter Verwendung anderer Herangehensweisen bestimmen, wie z. B. pro Quadratabstand und/oder unter Verwendung von gewichteten Ansätzen.
Das Computersystem kann den mit dem geografischen Bereich verbundenen Gesamtänderungsgrad mit einem Schwellenwert vergleichen. Der Schwellenwert kann auf einen signifikanten Änderungsgrad und/oder eine Änderungsgeschwindigkeit hinweisen, sodass die Erfassung von Bildern des geografischen Bereichs angepasst werden sollte. In zumindest teilweiser Abhängigkeit von dem Änderungsgrad und dem Schwellenwert kann das Computersystem die Erfassung von Bilddaten anpassen, die mit der geografischen Region assoziiert sind.
Das Computersystem kann dem Bilderfassungssystem einen Steuerbefehl bereitstellen, um eine Erfassung von dem geografischen Bereich zugeordneten Bilddaten basierend auf, zumindest teilweise, dem Änderungsgrad anzupassen. Für den Fall, dass der mit dem geografischen Bereich assoziierte Änderungsgrad hoch ist (z. B. über dem Schwellenwert liegt), kann der Steuerbefehl beispielsweise das Bilderfassungssystem anweisen, die Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zu erhöhen. Für den Fall, dass der Änderungsgrad niedrig ist (oder keine Änderung aufgetreten ist), kann das Computersystem das Bilderfassungssystem anweisen, den aktuellen Ansatz beizubehalten oder die Erfassung von dem geografischen Bereich zugeordneten Bilddaten zu verringern. Das Bilderfassungssystem kann den Steuerbefehl empfangen und die Bilderfassung entsprechend anpassen. Um eine solche Änderung bei der Bilderfassung zu implementieren, kann das Bilderfassungssystem ein Erfassungsmuster anpassen, das einer Straßenebenenplattform und/oder einer Luftplattform zugeordnet ist. Zum Beispiel kann das mit der Bilderfassungsplattform assoziierte Reisemuster (z. B. Fahrweg, Flugbahn) und/oder die damit assoziierte Bildaufnahmehäufigkeit so eingestellt werden, dass die Plattform mit dem geografischen Bereich (z. B. Nachbarschaft) assoziierte Bilder öfter aufnehmen kann.
In einigen Implementierungen kann das Computersystem das Bilderfassungssystem anweisen, die räumliche Auflösung von Bildern bei der Aufnahme von Bildern des geografischen Bereichs anzupassen. Beispielsweise kann die räumliche Auflösung in Regionen erhöht werden, in denen der mit dem geografischen Bereich verbundene Änderungsgrad als hoch angesehen wird und/oder die räumliche Auflösung kann in Regionen, in denen der mit dem geografischen Bereich verbundene Änderungsgrad als niedrig angesehen wird, verringert werden. In einigen Ausführungsformen kann die räumliche Auflösung neben der Häufigkeit der Bilderfassung variiert werden. In anderen Ausführungsformen kann die räumliche Auflösung unverändert bleiben, während die Häufigkeit der Bilderfassung geändert wird, und umgekehrt.
Das System und die Verfahren der vorliegenden Offenbarung stellen einen technischen Effekt bereit, indem sie eine Optimierung der Bilddatenerfassung ermöglichen, um geografischen Bereichen Vorrang zu geben, die von größerem Interesse sind und die eine häufigere Aktualisierung erfordern. Insbesondere kann die Kartierung von geografischen Bereichen unter Verwendung von Luft- und/oder Satellitenbildern der betreffenden Bereiche durchgeführt werden. Durch das Erfassen von Bildern des gleichen Bereichs in bestimmten zeitlichen Abständen über einen längeren Zeitraum ist es möglich, in diesem Bereich auftretende Änderungen zu identifizieren und die Karte zu aktualisieren, um diese Änderungen aufzuzeichnen. Beispielsweise können die Bilder analysiert werden, um neue Merkmale (z. B. Gebäude, Straßen) zu identifizieren, die in dem Zeitraum seit der letzten Bilderfassung des Gebietes erstellt wurden, und eine Karte dieses Gebiets kann dann aktualisiert werden, um diese neuen Entwicklungen aufzunehmen.
Die hierin beschriebenen Ausführungsformen können bei der Adressierung von Problemen helfen, die bei herkömmlichen Bilderfassungssystemen auftreten. Beispielsweise führen herkömmliche Verfahren häufig dazu, dass große Mengen an Bilddaten erfasst werden, von denen nur einige Bereiche zeigen, die sich ändern und daher auf der Karte aktualisiert werden müssen. Dies führt wiederum zu einer rechnerischen Belastung dahingehend, dass große Mengen von Bilddaten erfasst und gespeichert werden müssen. Die Daten müssen dann auch durchsucht werden, um die möglicherweise kleine Anzahl von Bildern zu identifizieren, die Änderungen in einem bestimmten geografischen Bereich zeigen und daher eine Aktualisierung auf der Karte erfordern.
Im Gegensatz dazu streben Ausführungsformen der Erfindung danach, bestimmte Bereiche zu identifizieren, die höhere Änderungsgrade durchlaufen, und die Aufnahme von Bildern entsprechend anzupassen. So kann beispielsweise geografischen Bereichen, die einer raschen Zunahme der Infrastruktur unterliegen, mit einer begleitenden Zunahme der Anzahl von Straßen und/oder Gebäuden, eine höhere Priorität beim Bestimmen einer Strategie zum Erfassen von Bilddaten gegeben werden. Die Beauftragung eines Bilderfassungssystems, das zumindest teilweise auf einer Änderungserfassung gemäß beispielhaften Aspekten der vorliegenden Offenbarung basiert, stellt einen effizienteren Ansatz für eine geografische Bilderfassung dar. Dies kann es einem Bilderfassungssystem ermöglichen, seine Ressourcen besser Bereichen zuzuordnen, die eine höhere Wichtigkeitsstufe haben und/oder die einen höheren Änderungsgrad erfahren.
Zusätzlich kann die Verwendung von maschinell erlernten Modellen (wie hierin beschrieben) zum Bestimmen von Änderungen auf einer granularen zellularen Ebene die Bestimmung von Änderungen unter Verwendung von Bildern mit niedrigerer Auflösung ermöglichen. Genauer gesagt, durch das Identifizieren einer Änderung auf einer granularen, zellularen Ebene eines Bildes in einer binären Weise (z. B. ob eine Änderung aufgetreten ist oder nicht aufgetreten ist), kann das Computersystem Bilddaten mit niedrigerer Auflösung verwenden, ohne einen Änderungstyp oder eine Größenordnung der Änderung innerhalb der kleineren Teilregionen bestimmen zu müssen, was Bilder mit höherer Auflösung erfordern würde. Die Verwendung einer Bildgebung mit niedrigerer Auflösung kann zu niedrigeren Bildaufnahmekosten führen (z. B. durch Verwendung von billigerer Plattformhardware mit niedrigerer Auflösung) und ermöglicht es dem Bilderfassungssystem und/oder Maschinenlern-Computersystem mit einer geringeren Bandbreite zu arbeiten.
Die Systeme und Verfahren der vorliegenden Offenbarung bieten eine Verbesserung der Bilderfassungs- und Analysecomputertechnologie. Zum Beispiel können die Systeme die Bilderfassung durch Analysieren mindestens einer Teilmenge der Vielzahl von Bildern anpassen, um ein Auftreten von einer oder mehreren mit dem geografischen Bereich assoziierten Änderungen zu bestimmen, und einen mit dem geografischen Bereich assoziierten Änderungsgrad basierend auf, zumindest teilweise, dem Auftreten der einen oder mehreren mit dem geografischen Bereich assoziierten Änderungen zu bestimmen. Darüber hinaus können die Computersysteme Änderungen unter Verwendung von Bildern mit niedrigerer Auflösung erfassen, indem sie Daten, die eine oder mehrere Bildzellen (der Bilder) beschreiben, in ein maschinell gelerntes binäres Klassifikatormodell eingeben und eine Ausgabe von dem binären Klassifikatormodell empfangen. Die Ausgabe kann das Auftreten der Änderung beschreiben, die mit dem Zielteilbereich (z. B. in einer Zelle dargestellt) des geografischen Bereichs assoziiert ist. Dadurch kann die Computertechnologie bei einer geringeren Bandbreite arbeiten, schnelleres Herunterladen/Hochladen von Daten (z. B. von Bildern mit niedrigerer Auflösung) erfahren und Rechenressourcen (und Kosten) einsparen, die anderen analytischen und/oder Bildverarbeitungsvorgängen zugeordnet werden können.
1 zeigt ein beispielhaftes System 100 gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung. Das System 100 kann ein Maschinenlern-Computersystem 102 und ein Bilderfassungssystem 104 beinhalten. Das Computersystem 102 und/oder das Bilderfassungssystem 104 können konfiguriert sein, um über eine direkte Verbindung Daten zwischeneinander zu kommunizieren und/oder zu übertragen, und/oder können über ein oder mehrere Kommunikationsnetzwerke verbunden sein.
Das Computersystem 102 kann mit einem Kartendienstanbieter wie etwa Google Maps oder Google Earth, die von Google Inc. (Mountain View, Kalifornien) entwickelt wurden, oder einem anderen geeigneten geografischen Dienst assoziiert sein. Das Computersystem 102 kann ein oder mehrere Computergeräte 106 beinhalten. Wie hierin weiter beschrieben wird, können die Computergeräte 106 einen oder mehrere Prozessoren und ein oder mehrere Speichergeräte beinhalten. Das eine oder die mehreren Speichergeräte können Anweisungen speichern, die, wenn sie von dem einen oder den mehreren Prozessoren ausgeführt werden, den einen oder die mehreren Prozessoren veranlassen, Operationen und Funktionen auszuführen, beispielsweise solche, die hierin zum Analysieren von Bildern und Beauftragen des Bilderfassungssystems 104 beschrieben sind.
Das Bilderfassungssystem 104 kann konfiguriert sein, um Bilddaten zu verwalten und zu erfassen, die einem oder mehreren geografischen Bereichen zugeordnet sind. Das Bilderfassungssystem 104 kann ein oder mehrere Computergeräte beinhalten, die einen oder mehrere Prozessoren und ein oder mehrere Speichergeräte beinhalten. Das eine oder die mehreren Speichergeräte können Anweisungen speichern, die, wenn sie von dem einen oder den mehreren Prozessoren ausgeführt werden, den einen oder die mehreren Prozessoren veranlassen, Operationen und Funktionen auszuführen, wie zum Beispiel zum Erfassen und Verwalten der Erfassung von Bilddaten.
Das Bilderfassungssystem 104 kann eine oder mehrere Bilderfassungsplattformen 108A-B umfassen, die konfiguriert sind, um Bilder zu erfassen, die einem geografischen Bereich zugeordnet sind. Die Bilderfassungsplattformen 108A-B können eine oder mehrere Straßenebenenplattformen 108A (z. B. Automobile, sich in geringerer Höhe bewegende Luftplattformen zum Erfassen von Straßenebenenbildern, feste Strukturen, die zum Erfassen von Straßenebenenbildern konfiguriert sind, andere bodenbasierte Bildgebungsplattformen) und/oder Luftplattformen 108B (z. B. Flugzeuge, Hubschraubern, unbemannten Luftfahrzeugen (UAVs), Ballons, Satelliten, feste Strukturen, die zum Erfassen von Luftbildern konfiguriert sind, andere Luftbildgebungsplattformen) beinhalten. Die Bilderfassungsplattformen 108A-B können konfiguriert sein, um Bilder eines geografischen Bereichs zumindest teilweise basierend auf einem Bilderfassungsmuster 110A-B zu erfassen. Das Bilderfassungsmuster 110A-B kann einen oder mehrere Bilderfassungsparameter umfassen. Zum Beispiel kann das Erfassungsmuster 110A-B Daten beinhalten, die einen Reiseweg (z. B. Fahrweg, Flugweg, Flugplan, Flugbahn), einen oder mehrere Orte (z. B. Kennungen/Koordinaten für Orte, für die Bilder zu erfassen sind), eine oder mehrere Zeiten (z. B. Erfassungszeiten, aktive Zeiten, passive Zeiten, Download-Zeiten), eine oder mehrere Bilderfassungshäufigkeiten (z. B. wie oft Bilder eines Bereichs aufgenommen werden), ein oder mehrere Zoomniveaus, eine räumliche Auflösung der Bilder und/oder andere Informationen, die mit der Erfassung von Bilddaten von geografischen Bereichen verbunden sind, beschreiben. Das Bilderfassungssystem 104 kann die Bilderfassungsplattformen 108AB steuern, indem ein Bilderfassungsmuster 110A-B (z. B. der Bilderfassungsparameter) eingestellt wird und/oder ein Steuerbefehl an die Bilderfassungsplattformen 108A-B gesendet wird. Durch Verwenden der Systeme und Verfahren der vorliegenden Offenbarung können die Bilderfassungsplattformen 108A-B Bilder mit niedrigerer Auflösung erfassen. Daher kann die Bildaufnahme-Hardware kostengünstiger sein, als für Bilder mit höherer Auflösung erforderlich ist. Darüber hinaus wird weniger Bandbreite für das Bilderfassungssystem 104 benötigt, um erfasste Bilder von der/den Bilderfassungsplattform(en) 108A-B zu erhalten. Die Verwendung von Bilddaten mit niedrigerer Auflösung kann auch zu niedrigeren Download-/Downlink-Zeiten von der/den Bildaufnahmeplattform(en) 108A-B führen.
Das System 100 kann ferner eine zugreifbare Bilddatenbank 112 beinhalten, die Bilder von geografischen Bereichen speichert. Die Bilddatenbank 112 kann mit dem Computersystem 102, dem Bilderfassungssystem 104 und/oder einem anderen Computersystem 114, getrennt von dem Maschinenlern-Computersystem und dem Bilderfassungssystem, assoziiert sein. Die Bilddatenbank 112 kann verschiedene Arten von Bilddaten speichern, die mit geografischen Bereichen assoziiert sind. Beispielsweise können die Bilddaten bodennahe Bilder (z. B. Panoramabilder auf Straßenebene, Sätze von Lichterfassungs- und Entfernungsmessdaten (LIDAR-Daten), andere Bilder auf oder nahe der Straßenebene) sowie Luftaufnahmebilder (z. B. Bilder mit Draufsicht) beinhalten. Die Bilder können optische Bilder, Infrarotbilder, LIDAR-Datenbilder, Hyperspektralbilder oder jede andere Art von Bildern sein. Die Bilder können durch die Bilderfassungsplattformen 108A-B, durch Benutzer gesendete Bilder (z. B. durch den Benutzer aufgenommene Bilder) und/oder anderweitig erworben (z. B. gekauft) werden. Die Bilder können eine geringere Auflösung haben, wie hierin beschrieben.
Die Computergeräte 106 können konfiguriert sein, um Daten 116 zu erhalten, die eine Vielzahl von Bildern beschreiben, die zumindest einen Teil eines geografischen Bereichs darstellen. Zum Beispiel stellt 2 eine beispielhafte Vielzahl von Bildern 200 eines geografischen Bereichs 202 gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung dar. Der in 2 gezeigte geografische Bereich 202 schließt eine Wohngegend ein, soll jedoch nicht beschränkend sein. Der geografischer Bereich 202 kann eine Region eines Himmelskörpers (z. B. Erde, Mond, Mars, anderer Körper), eine Region eines Landes, einen Staat, eine Gemeinde, ein durch Landgrenzen definiertes Gebiet, eine Nachbarschaft, eine Parzellierung, einen Schulbezirk, ein Einkaufszentrum, eine Büro-Anlage, ein Gewässer, einen Wasserweg usw. umfassen. Jedes Bild 204A-C der Vielzahl von Bildern 200 kann zumindest einen Teil des geografischen Bereichs 202 darstellen. Darüber hinaus kann jedes Bild einer anderen Zeit zugeordnet und/oder zu einer anderen Zeit aufgenommen werden. Zum Beispiel kann ein erstes Bild 204A zu einem ersten Zeitpunkt 206A erfasst werden, ein zweites Bild 204B kann zu einem zweiten Zeitpunkt 206B (unterschiedlich zu dem ersten Zeitpunkt 206A) erfasst werden, und ein drittes Bild 204C kann zu einem dritten Zeitpunkt 206C (unterschiedlich von dem ersten und dem zweiten Zeitpunkt 206A-B) erfasst werden. Die Bilder 204A-C können ähnliche Bilder sein, um den Vergleich zu erleichtern. Während 2 nur drei Bilder der Vielzahl von Bildern 200 zeigt, würde der Durchschnittsfachmann verstehen, dass mehr oder weniger (z. B. zwei) Bilder in der Vielzahl von Bildern 200 enthalten sein können. In einigen Implementierungen können die Daten 116 von der Bilddatenbank 112, dem Bilderfassungssystem 104 und/oder dem einen oder den mehreren anderen Computergeräten 114 erhalten werden.
Zurückkehrend zu 1 können die Computergeräte 106 konfiguriert sein, Standortdaten 118 zu erhalten, die einer Vielzahl von Benutzervorrichtungen 120 (z. B. Mobilgeräten, persönlichen Kommunikationsgeräten, Smartphones, Navigationssystemen, Laptopcomputern, Tablets, tragbaren Computergeräten, sonstigen Computergeräten) zugeordnet sind. Die Standortdaten 118 können einen Standort einer Benutzervorrichtung und/oder einer Anzahl von Benutzervorrichtungen 120 beschreiben, die sich in dem geografischen Bereich 202 befinden. Beispielsweise können die Standortdaten 118 einen oder mehrere Rohstandortberichte beinhalten, die einen Geocode umfassen, der einen Breitengrad und einen Längengrad identifiziert, die der jeweiligen Benutzervorrichtung 120 zugeordnet sind. Jeder der Standortberichte kann mindestens einen Satz von Daten enthalten, die einen zugeordneten Standort und eine zugeordnete Zeit beschreiben. Die Benutzervorrichtungen 120 können die Standortdaten 118 (z. B. die die Vielzahl von Standortberichten beschreiben) an die Computergeräte 106 bereitstellen und/oder die Computergeräte 106 können die Standortdaten 118 von einem anderen Computergerät erhalten. Die Computergeräte 106 können konfiguriert sein, um eine Anzahl von Benutzervorrichtungen, die in dem geografischen Bereich 202 lokalisiert sind, basierend zumindest teilweise auf den Standortdaten 118 (z. B. über eine Aggregation von Standortberichten) zu bestimmen.
Die Computergeräte 106 können konfiguriert sein, um eine mit dem geografischen Bereich 202 assoziierte Wichtigkeitsstufe 122 (z. B. L_IMP) zu bestimmen, die zumindest teilweise auf den Standortdaten 118 basiert. Die Wichtigkeitsstufe 122 kann auf eine Interessenstufe an dem geografischen Bereich 202 hindeuten, basierend zumindest teilweise auf der Anzahl von Benutzervorrichtungen und/oder Benutzern, die als in dem geografischen Bereich 202 befindlich (z. B. innerhalb eines bestimmten Zeitraums) angegeben sind. Der Zeitraum kann ein aktueller Zeitraum (z. B. ein Tag, eine Woche, ein Monat, ein Jahr, ein Zeitraum von mehreren Jahren) sein. Beispielsweise können die Standortdaten 118 angeben, dass die Anzahl von Benutzern (z. B. von berichtenden Benutzervorrichtungen 120), die sich in dem geografischen Bereich 202 (z. B. einer Wohngegend) befinden, innerhalb eines kürzlichen Zeitraums (z. B in den letzten Monaten) hoch war. In diesem spezifischen Beispiel kann der Ausdruck „hoch“ relativ zu der Anzahl von Benutzern (und/oder Benutzervorrichtungen) sein, die sich typischerweise oder historisch in dem geografischen Bereich 202 befinden. Diese höhere Anzahl von Benutzern kann auf eine höhere Wichtigkeitsstufe hinweisen (z. B. Benutzerinteresse, potentieller Bereich der Änderung, potentielle Konstruktion), die mit dem geografischen Bereich 202 assoziiert ist.
In einigen Implementierungen können die Computergeräte 106 den geografischen Bereich 202 zumindest teilweise basierend auf Standortdaten identifizieren. Zum Beispiel können die Computergeräte 106 in dem Fall, dass die mit dem geografischen Bereich 202 assoziierte Wichtigkeitsstufe 122 hoch ist, den geografischen Bereich 202 (z. B. Nachbarschaft) als ein Gebiet von Interesse identifizieren, für das es das Auftreten von Veränderungen bestimmen sollte. Dementsprechend können die Computergeräte 106 Daten 116, die die Vielzahl von Bildern 200 (z. B. die zumindest einen Teil eines geografischen Bereichs 202 darstellen) beschreiben, basierend zumindest teilweise auf der bestimmten Wichtigkeitsstufe 122 (z. B. hohe Wichtigkeitsstufe, die Benutzerinteresse anzeigt) erhalten. Zusätzlich und/oder alternativ können die Computergeräte 106 das Bilderfassungssystem 104 (z. B. über den Steuerbefehl 124) anweisen, Bilder zu erhalten, die dem geografischen Bereich 202 zugeordnet sind. Das Bilderfassungssystem 104 kann den Steuerbefehl 124 empfangen, und bei Bedarf kann das Bilderfassungssystem 104 ein oder mehrere Erfassungsmuster 110A-B, die einer oder mehreren Bilderfassungsplattformen 108A-B zugeordnet sind, anpassen, um jüngste, neue, aktuelle usw. Bilder zu erfassen, die zumindest einen Teil des geografischen Bereichs 202 darstellen. Solche Bilder können in den Daten 116 (oder anderen Daten) enthalten sein, die zur Bildanalyse in Bezug auf den geografischen Bereich 202 an die Computergeräte 106 gesendet und/oder von diesen erhalten werden.
Das Computersystem 102 kann ein oder mehrere maschinell erlernte Modelle beinhalten, die konfiguriert sind, um ein Auftreten von einer oder mehreren mit dem geografischen Bereich 202 assoziierten Änderungen zu identifizieren. Die Modelle können maschinell erlernte Modelle sein oder können anderweitig verschiedene maschinell erlernte Modelle beinhalten, wie z. B. neuronale Netze (z. B. tiefe neuronale Netze) oder andere mehrschichtige nichtlineare Modelle. Zum Beispiel kann das Computersystem 102 ein maschinell gelerntes binäres Klassifikatormodell 126 enthalten. Das binäre Klassifikatormodell 126 kann trainiert werden, um das Auftreten einer Änderung innerhalb des geografischen Bereichs 202 zu identifizieren. Zum Beispiel kann das System 100 in einigen Implementierungen ferner ein Trainingscomputersystem 128 enthalten. Das Trainingscomputersystem 128 kann von dem Computersystem 102 getrennt sein und/oder kann ein Teil des Computersystems 102 sein.
3 veranschaulicht das Training eines beispielhaften maschinell erlernten Modells gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung. Das Trainingscomputersystem 128 kann einen Modelltrainer 302 beinhalten, der zum Beispiel das binäre Klassifikatormodell 126, das in dem Maschinenlern-Computersystem 102 gespeichert ist, unter Verwendung verschiedener Trainings- oder Lerntechniken trainiert. Insbesondere kann der Modelltrainer 302 das binäre Klassifikatormodell 126 basierend auf einem Satz von Trainingsdaten 304 trainieren. In einigen Implementierungen können die Trainingsdaten 304 durch das Computersystem 102 (z. B. aus der Datenbank 112) bereitgestellt oder anderweitig ausgewählt werden.
In einigen Implementierungen kann der Modelltrainer 302 das maschinell gelernte binäre Klassifikatormodell 126 unter Verwendung von Trainingsdaten 304 trainieren, die Bilder beschreiben, die bekannte Instanzen darstellen, in denen eine Änderung aufgetreten ist, und/oder bekannte Instanzen darstellen, bei denen keine Änderung aufgetreten ist. Zum Beispiel können bekannte Fälle, in denen eine Änderung aufgetreten ist, historischen und/oder von einem Experten identifizierten Instanzen einer Änderung innerhalb eines geografischen Bereichs entsprechen. Bekannte Instanzen, bei denen keine Änderung aufgetreten ist, können auch historischen und/oder von einem Experten identifizierten Instanzen entsprechen, in denen keine Änderung innerhalb eines geografischen Bereichs aufgetreten ist. Zum Beispiel kann ein Modell unter Verwendung von Trainingsdaten 304 trainiert werden, die Bilderpaare beinhaltet, die entweder als eine Änderung darstellend oder als keine Änderung darstellend beschriftet sind („binäre Trainingsdaten“). Zusätzlich und/oder alternativ könnten die Trainingsdaten 304 Daten sein, die Beschriftungen gemäß einer gewissen Änderungsmetrik (z. B. ein bis einhundert, Art der Änderung) enthalten. In einigen Implementierungen können die Trainingsdaten 304 gemäß anderen Bodenverifikations-Sammelsystemen markiert werden. In einigen Implementierungen können die Trainingsdaten 304 eine Zeitreihe von Bildern beinhalten, die einen geografischen Bereich darstellen, wobei jedes Trainingsbeispiel ausreichende Informationen bereitstellt, um für jedes Bild in der Zeitreihe von Bildern einen Unterschied zwischen zu verschiedenen Zeiten aufgenommenen Bildern zu bestimmen.
Zusätzlich und/oder alternativ können die Trainingsdaten 304 Bilder mit niedrigerer Auflösung enthalten, sodass das maschinell erlernte Modell lernen kann, Bilder mit niedrigerer Auflösung auszuwerten. Dies kann es dem Computersystem 102 letztendlich ermöglichen, Bilder mit niedrigerer Auflösung auszuwerten, was zu einer Verwendung eines breiteren Bereichs von Bildern, einer schnelleren Verarbeitungszeit sowie einer erhöhten Bandbreite für die Bildübertragung führen kann.
Das Trainingscomputersystem 128 kann ein maschinell erlerntes Modell zumindest teilweise basierend auf den Trainingsdaten 304 trainieren. Zum Beispiel kann das Trainingscomputersystem 128 Trainingsdaten 304 eingeben (z. B. Paare von Bildern, die entweder als eine Veränderung darstellend oder als keine Veränderung darstellend identifiziert wurden). Das Trainingscomputersystem 128 kann eine Trainingsausgabe 306 empfangen, die die Klassifikation des Modells des Auftretens einer Änderung innerhalb der Trainingsdaten 304 beschreibt (z. B. ob eine Änderung aufgetreten ist oder ob keine Änderung aufgetreten ist). Das Trainingscomputersystem 128 kann die Trainingsausgabe 306 analysieren, um die Genauigkeit des maschinell erlernten Modells zu bestimmen. Zum Beispiel kann das Trainingscomputersystem 128 die Ausgabe 306 mit den Trainingsdaten 304 vergleichen, um zu bestimmen, ob das Modell das Auftreten einer Änderung korrekt identifiziert hat. Wenn ein weiteres Training erforderlich ist (z. B. um ein oder mehrere Vertrauensniveaus zu erhöhen, um die Genauigkeit zu erhöhen), kann das Trainingscomputersystem 128 zusätzliche Trainingsdaten 304 bereitstellen und/oder anzeigen, dass Anpassungen an dem Modell vorgenommen werden müssen.
Beispielsweise kann das maschinell gelernte binäre Klassifikatormodell 126 trainiert werden, um das Auftreten einer Änderung zumindest teilweise anhand eines Vergleichs von einem oder mehreren visuellen Merkmalen, die zwei oder mehr Bildern zugeordnet sind, zu identifizieren. Die visuellen Merkmale können abgebildete Objekte, Pixelfarbe, Farbton, Intensität, Tönung, andere Eigenschaften usw. beinhalten. Das binäre Klassifikatormodell 126 kann trainiert werden, um die visuelle(n) Eigenschaft(en) zu identifizieren, die mit mindestens einem Abschnitt eines Bildes assoziiert sind. Beispielsweise kann das maschinell gelernte binäre Klassifikatormodell 126 trainiert werden (z. B. über Trainingsdaten 304), um einen ersten Satz von visuellen Eigenschaften in einem ersten Abschnitt (z. B. einer Zelle) des ersten Bildes 202A zu identifizieren und einen zweiten Satz visueller Eigenschaften in einem zweiten Abschnitt (z. B. einer Zelle) des zweiten Bildes 202B zu identifizieren. Das maschinell gelernte binäre Klassifikatormodell 126 kann trainiert werden, um das Auftreten von einer oder mehreren Änderungen in dem geografischen Bereich 202 basierend zumindest teilweise auf einem Vergleich des ersten Satzes von visuellen Eigenschaften und des zweiten Satzes von visuellen Eigenschaften, wie weiter unten beschrieben, zu identifizieren.
Zurückkehrend zu 1 können die Computergeräte 106 konfiguriert sein, zumindest eine Teilmenge der Vielzahl von Bildern 200 zu analysieren, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich 202 assoziiert sind. Zum Beispiel können die Computergeräte 106 Bilder (z. B. 204-C) auf einer granularen zellularen Ebene analysieren, um eine Änderung innerhalb einer Teilregion des geografischen Bereichs 202 auf binäre Weise zu identifizieren. Dies kann beispielsweise die Klassifizierung beinhalten, ob in einer Teilregion des geografischen Bereichs 202 keine Änderung aufgetreten ist (z. B. „0“) oder ob in einer Teilregion des geografischen Bereichs 202 eine Änderung aufgetreten ist (z. B. „1“) basierend auf dem Vergleich von zwei oder mehr Bildern auf einer granularen, zellularen Ebene. Durch Identifizieren der Änderung in binärer Weise innerhalb der Teilregionen des geografischen Bereichs 202 kann das Computersystem 102 Bilder mit niedrigerer Auflösung für den Bildvergleich verwenden, als erforderlich sein könnte, um eine Größenordnung der Veränderung innerhalb eines einzelnen Zielteilbereichs zu bestimmen.
4 zeigt die beispielhafte Vielzahl von Bildern 200, die gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung in Abschnitte aufgeteilt sind. Zum Beispiel können die Computergeräte 106 eine erste Vielzahl von Zellen 402A, die mit einem ersten Bild 202A der Vielzahl von Bildern 200 assoziiert sind, und eine zweite Vielzahl von Zellen 402B identifizieren, die einem zweiten Bild 202B der Vielzahl von Bildern 200 zugeordnet sind. Eine Zelle kann ein Abschnitt eines Bildes sein. Eine Zelle kann beispielsweise einen Bereich beinhalten, der aus Pixeln des jeweiligen Bildes besteht. In einigen Implementierungen können die Computergeräte 106 die Zellen 402A-B zumindest teilweise basierend auf einer Anzahl von Pixeln identifizieren, die den mathematischen Bereich einer einzelnen Zelle definieren sollen. In einigen Implementierungen kann die Anzahl der Pixel und/oder der mathematische Bereich vordefiniert sein, während in einigen Implementierungen die Anzahl der Pixel und/oder der mathematische Bereich zumindest teilweise basierend auf Bedingungen (z. B. Größe, Auflösung, Betrachtungswinkel usw.), die den Bildern der Vielzahl von Bildern 200 zugeordnet sind, ausgewählt werden können. Jede Zelle 402A-B kann einer bestimmten Teilregion des geografischen Bereichs 202 zugeordnet sein. In einigen Implementierungen können die Zellen 402A-B so identifiziert werden, dass eine oder mehrere bestimmte Teilregionen in den jeweiligen Zellen dargestellt werden.
Die Computergeräte 106 können konfiguriert sein, um für jedes Bild von zumindest einer Teilmenge der Bilder 200 eine Zelle zu identifizieren, die mit einer Teilregion des geografischen Bereichs 202 assoziiert ist. Zum Beispiel können die Computergeräte 106 konfiguriert sein, um eine erste Zelle 406A der ersten Vielzahl von Zellen 402A und eine zweite Zelle 406B der zweiten Vielzahl von Zellen 402B auszuwählen. Sowohl die erste Zelle als auch die zweite Zelle können einer Teilregion 408 des geografischen Bereichs 202 zugeordnet sein. Beispielsweise kann der geografische Bereich 202 eine Nachbarschaft sein und die Teilregion 408 kann mit einer Teilregion der Nachbarschaft assoziiert sein, wie zum Beispiel einem Grundstück in der Nachbarschaft. Die der ersten Zelle 406A zugeordnete Teilregion 408 ist dieselbe wie die Teilregion 408, die der zweiten Zelle 406B zugeordnet ist, um den Vergleich der ersten und der zweiten Zelle zu erleichtern. Das Bild 204A und somit die Zelle 406A kann dem ersten Zeitpunkt 206A zugeordnet sein. Das Bild 204B (und die Zelle 406B) kann dem zweiten Zeitpunkt 206B zugeordnet sein, der sich von dem ersten Zeitpunkt 206A unterscheidet. Somit können die Computergeräte 106 die Bildzellen analysieren, um zu identifizieren, ob eine Änderung in der Teilregion 408 zwischen dem ersten und dem zweiten Zeitpunkt 206A-B aufgetreten ist.
Die Computergeräte 106 können konfiguriert sein, um Daten, die wenigstens eine Teilmenge der Bilder 200 beschreiben, in den maschinell gelernten Binärklassifikator 126 einzugeben. Wie in 5 gezeigt, können die Computergeräte 106 Daten 502, die das erste Bild 204A und das zweite Bild 204B beschreiben, in das maschinell gelernte binäre Klassifikatormodell 126 eingeben, um ein Auftreten von einer oder mehreren Änderungen zu identifizieren, die mit dem geografischen Bereich 202 assoziiert sind. Zum Beispiel kann das Computersystem 102 konfiguriert sein, um Daten 502, die die erste Zelle 406A und die zweite Zelle 406B beschreiben, in das maschinell gelernte binäre Klassifikatormodell 126 einzugeben, um ein Auftreten einer mit der Teilregion 408 des geografischen Bereichs 202 assoziierten Änderung zu identifizieren. Die Daten 502 können Bilddaten enthalten, die der in jeder der jeweiligen Zellen dargestellten Teilregion zugeordnet sind. So können beispielsweise die Daten 502 Daten beinhalten, die die Pixel beschreiben, in den Zellen 406A-B Daten beinhalten, die die visuellen Eigenschaften derartiger Pixel beschreiben, und/oder andere Daten oder Metadaten, die den Bildern 204A-B und/oder einzelnen Zellen zugeordnet sind. Das binäre Klassifikatormodell 126 kann die visuellen Eigenschaften der Zellen 406A-B untersuchen und vergleichen (z. B. unter Verwendung ihrer neuronalen Netzwerke), um ein Auftreten einer Änderung zu identifizieren - das kann sein, ob eine Änderung eingetreten ist (z. B, in Bezug auf die Teilregion) oder ob keine Änderung eingetreten ist (z. B. in Bezug auf die Teilregion). Das Computersystem 102 kann konfiguriert sein, um eine erste Ausgabe 504 von dem binären Klassifikatormodell 126 zu empfangen. Die Ausgabe 504 kann das Auftreten der Änderung beschreiben, die der Teilregion 408 des geografischen Bereichs 202 zugeordnet ist.
Beispielhaft kann, unter erneuter Bezugnahme auf 4, das maschinell gelernte binäre Klassifikatormodell 126 den ersten Satz von visuellen Eigenschaften, die der ersten Zelle 406A zugeordnet sind, und den zweiten Satz von visuellen Eigenschaften, die der zweiten Zelle 406B zugeordnet sind, analysieren. Wie in 4 gezeigt, enthält die Teilregion 408 keinen Teil eines strukturellen Bestandes in der ersten Zelle 406A des ersten Bilds 204A, das zu einem ersten Zeitpunkt 206A aufgenommen wurde (zeigt z. B. ein leeres Grundstück). In der zweiten Zelle 406B beinhaltet die Teilregion 408 zumindest einen Teil eines strukturellen Bestandes (z. B. Gebäude). Das binäre Klassifikatormodell 126 kann die Zellen analysieren, um zu bestimmen, ob die Objektdarstellung, die Pixelfarbe, die Intensität, andere visuelle Eigenschaften usw. der ersten Zelle 406A verschieden von denen der zweiten Zelle 406B sind. In dem Fall, dass das binäre Klassifikatormodell 126 bestimmen kann, dass es einen Unterschied zwischen den jeweiligen Zellen 406A-B gibt, der eine Änderung (z. B. das Hinzufügen eines strukturellen Bestandes) oberhalb eines Konfidenzniveaus anzeigt, kann das binäre Klassifikatormodell 126 das Auftreten einer Änderung 410 innerhalb der Teilregion 408 (z. B. eine eingetretene Änderung) identifizieren. Das Konfidenzniveau kann während des Trainings des binären Klassifikatormodells 126 und/oder während der Datenanalyse entwickelt und/oder verfeinert werden.
Die erste Ausgabe 504 kann anzeigen, dass eine mit der Teilregion 408 des geografischen Bereichs 202 verbundene Änderung aufgetreten ist. Zum Beispiel kann die mit der Teilregion 408 assoziierte Änderung 410 beispielsweise eine Gebäudeveränderung (z. B. eine Änderung an einem oder mehreren Gebäuden) sein. Die Ausgabe 504 kann eine „1“ sein, was anzeigen kann, dass das binäre Klassifikatormodell 126 bestimmt hat, dass basierend auf den Bildern 204A-B eine Änderung 410 in der Teilregion 408 aufgetreten ist. In einigen Implementierungen kann die Ausgabe 504 durch andere Zahlen (z. B. gewichtet durch Teilregion) und/oder Zeichen dargestellt werden.
Während 4 die Änderung 410 darstellt, wie sie mit einem strukturellen Bestand assoziiert ist, soll dies nicht beschränkend sein. Die Änderung 410 kann mit anderen Elementen, die in einem Bild abgebildet sind, wie Verkehrsbeständen (z. B. Straßen, Fahrwegen), Umweltbeständen (z. B. Pflanzen, Erde, Wasserwege), landwirtschaftlichen Beständen (z. B. Kulturpflanzen, Ackerland, Bewässerungssysteme) usw. assoziiert werden.
Wie in 5 gezeigt ist, können die Computergeräte 106 zur Bereitstellung von Daten 506 konfiguriert sein, die andere Zellen der ersten und zweiten Vielzahl von Zellen 402A-B als eine andere Eingabe in das binäre Klassifikatormodell 126 beschreiben, um ein Auftreten einer oder mehrerer Änderungen zu identifizieren, die mit einer oder mehreren anderen Teilregionen des geografischen Bereichs 202 assoziiert sind. Die Computergeräte 106 können eine zweite Ausgabe 508 von dem binären Klassifikatormodell 126 empfangen. Die zweite Ausgabe 508 kann das Auftreten von einer oder mehreren Änderungen beschreiben, die mit einem oder mehreren der anderen Teilregionen des geografischen Bereichs 202 assoziiert sind.
Wie beispielsweise in 4 gezeigt, können die Computergeräte 106 Daten eingeben, die Zellen 412A-B beschreiben, die eine Darstellung eines Transportbestandes (z. B. Straße in der Nachbarschaft) innerhalb der Teilregion 414 beinhalten. Das binäre Klassifikatormodell 126 kann die Zellen 412A-B (z. B. die damit verbundenen visuellen Eigenschaften) vergleichen. In dem Fall, dass das binäre Klassifikatormodell 126 bestimmt, dass es einen geringen oder keinen Unterschied zwischen den jeweiligen Eigenschaften der Zellen 412A-B gibt (z. B. über einem Konfidenzniveau), kann das binäre Klassifikatormodell 126 das Auftreten der Änderung 416 identifizieren als: keine Änderung innerhalb der Teilregion 414 aufgetreten. Zum Beispiel kann das binäre Klassifikatormodell 126 bestimmen, dass keine Straßenveränderung (z. B. eine Änderung an einem oder mehreren Fahrwegen) innerhalb der Teilregion 414 aufgetreten ist. Dementsprechend kann die zweite Ausgabe 508 anzeigen, dass keine Änderung in der dem geografischen Bereich 202 zugeordneten Teilregion 414 aufgetreten ist. Zum Beispiel kann die Ausgabe 508 eine „0“ sein, was anzeigen kann, dass das binäre Klassifikatormodell 126 bestimmt hat, dass basierend auf den Bildern 204A-B keine Änderung in der Teilregion 414 aufgetreten ist. Unter Verwendung des binären Klassifikatormodells 126 können die hierin beschriebenen Systeme und Verfahren die Änderung eines geografischen Bereichs 202 unter Verwendung von Bildern mit niedrigerer Auflösung, wie hierin beschrieben, auswerten.
Die oben beschriebene Analyse kann für eine oder mehrere andere Zellen von einem oder mehreren anderen Bildern der Vielzahl von Bildern 200 wiederholt werden. Zum Beispiel können die Computergeräte 106 anderen Bildern (z. B. dem dritten Bild 204C) zugeordnete Daten in das binäre Klassifikatormodell 126 eingeben. Die Daten, die den anderen Bildern zugeordnet sind, können Zellen beschreiben, die derselben Teilregion 408 zugeordnet sind, um zu bestimmen, ob zusätzliche Änderungen in der Teilregion 408 aufgetreten sind (z. B. zwischen dem zweiten Zeitpunkt 206B und dem dritten Zeitpunkt 206C). Zusätzlich und/oder alternativ können die Daten, die die anderen Bilder beschreiben, Zellen beschreiben, die mit einer oder mehreren verschiedenen Teilregionen des geografischen Bereichs 202 assoziiert sind. Dies kann dem oder den Computergeräten 106 die Bestimmung ermöglichen, ob eine oder mehrere Änderungen in den anderen Teilregionen des geografischen Bereichs 202 aufgetreten sind. In einigen Implementierungen kann dies wiederholt werden, bis eine bestimmte Anzahl (z. B. Mehrheit, alle), ein Prozentsatz, ein Verhältnis usw. der Zellen, Bilder und/oder Teilregionen durch das binäre Klassifikatormodell 126 in der oben beschriebenen Weise analysiert worden sind.
Das oder die Computergeräte 106 können einen dem geografischen Bereich 202 zugeordneten Änderungsgrad 418 zumindest teilweise basierend auf dem Auftreten einer oder mehrerer Änderungen (z. B. 410, 412) bestimmen, die dem geografischen Bereich 202 zugeordnet sind. Wie oben beschrieben kann der Änderungsgrad 418 der Gesamtbetrag der Änderung (z. B. hinsichtlich seiner strukturellen Bestände, Transportbestände, Umweltbestände, landwirtschaftlichen Bestände, sonstigen Bestände) sein, die der geografische Bereich 202 erfährt. In einigen Implementierungen können die Computergeräte 106 den Änderungsgrad durch Aggregieren der Änderungsvorkommen (z. B. 410, 412) bestimmen, die für die Teilregionen des geografischen Bereichs 202 bestimmt wurden.
Zum Beispiel können die Computergeräte 106 die binären Klassifikationen (z. B. 0, 1) aggregieren, die für jede Teilregion (z. B. 408, 414) des geografischen Bereichs 202 bestimmt und/oder in der zugehörigen Ausgabe (z. B. 504, 508) identifiziert werden. Der Änderungsgrad 418 für einen geografischen Bereich 202 kann bestimmt werden, indem die binären Klassifikationen (z. B. 0, 1) hinzugefügt werden, die für jede Teilregion (z. B. 408, 414) des geografischen Bereichs 202 bestimmt werden. Zum Beispiel kann der geografische Bereich 202 in 224 Zellen unterteilt werden, von denen jede eine Teilregion darstellt. Das binäre Klassifikatormodell 126 kann bestimmen, dass keine Änderung in 150 der Zellen und/oder Teilregionen aufgetreten ist (z. B. eine „0“ ausgeben), während eine Änderung in 74 der Zellen und/oder Teilregionen aufgetreten ist. (z. B. eine „1“ ausgeben). Der Änderungsgrad 418 für den geografischen Bereich 202 kann somit 74 sein, was eine Summation der binären Klassifikationen repräsentiert (z. B. 150 „Nullen“ + 74 „Einsen“). Dieser Wert kann weiter normalisiert werden (z. B. 74/(74+150) = ,33), um die Größe der Zelle zu normalisieren.
In einigen Implementierungen kann der Änderungsgrad 418 den Grad der Änderung pro Quadratabstand angeben. Zum Beispiel können die Computergeräte 106 den Änderungsgrad bestimmen, indem sie den aggregierten Änderungsgrad durch den Quadratabstand des in den Bildern dargestellten geografischen Bereichs 202 dividieren. In einigen Implementierungen können die Computergeräte 106 den Änderungsgrad basierend zumindest teilweise auf den Änderungsklassifizierungen bestimmen, die in einer Gruppe von Zellen (z. B. Zelle 408A und den unmittelbar umgebenden acht Zellen) geteilt durch den Quadratabstand, dargestellt durch die in diesen Zellen dargestellten Teilregionen, identifiziert sind.
In einigen Implementierungen können die Computergeräte 106 den Änderungsgrad 418 zumindest teilweise basierend auf einem gewichteten Ansatz bestimmen. Die Computergeräte 106 können den Zellen eines Bildes eine Gewichtung zuweisen, sodass Änderungen, die in bestimmten Zellen identifiziert werden, ein höheres Gewicht für den Änderungsgrad 418 erhalten und/oder bestimmte Zellen ein geringeres Gewicht für den Änderungsgrad 418 erhalten. Beispielsweise können die Computergeräte 106 einer Änderung in einer Teilregion 408 einer Zelle 406A-B, die sich in Richtung der Mitte des Bildes 204A-B befindet, ein höheres Gewicht verleihen und einer Änderung in einer Teilregion 414 einer Zelle 412A-B, die sich an einer Peripherie des Bildes 204A-B befindet, ein geringeres Gewicht verleihen. Um dies zu tun, können die Computergeräte 106 die binäre Klassifizierung (z. B. 0, 1) mit einer numerischen Gewichtskennung (z. B. Prozent, Bruch) multiplizieren und eine Aggregation der gewichteten Klassifizierungen durchführen, um den Änderungsgrad 418 zu bestimmen.
Zurückkehrend zu 1 können die Computergeräte 106 dem Bilderfassungssystem 104 einen Steuerbefehl 129 bereitstellen, um eine Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zumindest teilweise basierend auf dem Änderungsgrad 418 anzupassen. Für den Fall, dass der mit dem geografischen Bereich 202 assoziierte Änderungsgrad 418 über einem Schwellenwert 130 liegt, kann der Steuerbefehl 129 beispielsweise das Bilderfassungssystem 104 anweisen, die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zu erhöhen. Der Schwellenwert 130 kann auf einen signifikanten Änderungsgrad und/oder eine Änderungsgeschwindigkeit hinweisen, sodass die Erfassung von Bilddaten des geografischen Bereichs 202 angepasst werden sollte. Für den Fall, dass der dem geografischen Bereich 202 zugeordnete Änderungsgrad 418 über einem Schwellenwert 130 liegt (z. B. einen hohen Änderungsgrad anzeigt), kann der Steuerbefehl 129 das Bilderfassungssystem 104 anweisen, den Betrag, den Zeitpunkt, die Häufigkeit usw., mit denen Bilder des geografischen Bereichs 202 erfasst werden, zu erhöhen. Für den Fall, dass der Änderungsgrad 418 unter dem Schwellenwert 130 liegt (z. B. einen geringen Änderungsgrad angibt oder keine Änderung aufgetreten ist), können die Computergeräte 106 die Bereitstellung einer Befehlssteuerung zum Anpassen der Erfassung von Bilddaten, die mit dem geografischen Bereich 202 assoziiert sind, einstellen. In einigen Implementierungen können die Computergeräte 106, wenn der Änderungsgrad 418 niedrig ist, einen Steuerbefehl an das Bilderfassungssystem 104 bereitstellen, um die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zu verringern. Das Bilderfassungssystem 104 kann den Steuerbefehl 129 empfangen und kann die Bilderfassung entsprechend anpassen (z. B. um die Erfassung über die Bilderfassungsplattform(en) zu erhöhen oder zu verringern).
Zusätzlich und/oder alternativ dazu können die Computergeräte 106 eine grafische Darstellung erzeugen, die den Änderungsgrad 418 anzeigt, der dem geografischen Bereich 202 zugeordnet ist. Beispielsweise veranschaulicht 6 eine grafische Darstellung 600, die den Änderungsgrad einer Vielzahl von geografischen Bereichen gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung anzeigt. Wie gezeigt, kann die grafische Darstellung 600 zum Beispiel eine Heatmap sein, die die Änderungsgrade angibt, die mit einem oder mehreren geografischen Bereichen assoziiert sind. In einigen Implementierungen kann der Grad der Änderung in einer anderen grafischen Form (z. B. Balkendiagramm, Kreisdiagramm, Histogramm) dargestellt werden. Der mit dem geografischen Bereich 202 (z. B. die Nachbarschaft, die in dem Bild 204A gezeigt ist) assoziierte Änderungsgrad 418 kann in der grafischen Darstellung 600 mit einem oder mehreren anderen geografischen Bereichen (z. B. anderen Nachbarschaften) dargestellt werden, um die relativen Änderungsgrade in einer größeren geografischen Region (z. B. einer Stadt) anzuzeigen. In einigen Implementierungen kann der Steuerbefehl 129 zum Anpassen der Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zumindest teilweise auf der grafischen Darstellung 600 basieren. Beispielsweise kann der Steuerbefehl 129 das Bilderfassungssystem 104 anweisen, ein oder mehrere Aufnahmemuster 110A-B zumindest teilweise basierend auf der grafischen Darstellung 600 anzupassen. Auf diese Weise kann das System seine Bildgebungsressourcen effektiv zuweisen, um häufiger Bilder von geografischen Bereichen zu erhalten, die ein höheres Maß an Veränderung erfahren, und seltener Bilder von geografischen Bereichen, die ein geringeres Maß an Veränderungen erfahren. Dies kann einen konzentrierteren, nützlichen Satz von Bilddaten bereitstellen, der den Status von geografischen Bereichen genauer wiedergibt.
Zurückkehrend zu 1 kann das Bilderfassungssystem 104 die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, unter Verwendung einer Vielzahl von Ansätzen anpassen. So kann das Bilderfassungssystem 104 beispielsweise ein Erfassungsmuster 110A-B, das mindestens einer der Straßenebenenplattformen 108A und den Luftplattformen 108B zugeordnet ist, anpassen. Zum Beispiel kann ein Reiseweg 132AB (z. B. Fahrweg, Flugweg) und/oder eine Häufigkeit 134A-B (z. B. Häufigkeit, mit der Bilder des geografischen Bereichs 202 mit den Bilderfassungsplattformen 108A-B erfasst werden) so angepasst werden, dass die Bilderfassungsplattformen 110A-B Bilder, die dem geografischen Bereich 202 zugeordnet sind, häufiger oder seltener aufnehmen können. Zusätzlich und/oder alternativ dazu kann das Bilderfassungssystem 104 in einigen Implementierungen die Kaufmuster, Downloadmuster, Anfragemuster usw. anpassen, durch die das Bilderfassungssystem 104 Bilder des geografischen Bereichs 202 von anderen Computergeräten und/oder Benutzern bezieht. So kann beispielsweise das Bilderfassungssystem 104 häufiger Bilder (z. B. von Dritten) anfordern, häufiger Bilder kaufen und/oder Bilder von geografischen Bereichen, die ein höheres Maß an Veränderung erfahren, erbitten.
7 stellt ein Flussdiagramm eines beispielhaften Verfahrens 700 gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung dar. Ein oder mehrere Abschnitte des Verfahrens 700 können durch ein oder mehrere Computergeräte implementiert werden, wie zum Beispiel den in den 1 und 9 dargestellten. 7 zeigt Schritte, die in einer bestimmten Reihenfolge zum Zweck der Veranschaulichung und Diskussion durchgeführt werden. Der Durchschnittsfachmann wird unter Verwendung der hierin bereitgestellten Offenbarungen verstehen, dass die Schritte von jedem der hier diskutierten Verfahren angepasst, neu angeordnet, erweitert, weggelassen oder auf verschiedene Arten modifiziert werden können, ohne von dem Umfang der vorliegenden Offenbarung abzuweichen.
Bei (702) kann das Verfahren 700 das Erhalten von Standortdaten beinhalten, die einer Vielzahl von Benutzervorrichtungen zugeordnet sind. Zum Beispiel können die Computergeräte 106 Standortdaten 118 erhalten, die einer Vielzahl von Benutzervorrichtungen 120 zugeordnet sind. Die Standortdaten 118 können eine Anzahl von Benutzervorrichtungen beschreiben, die sich in einem geografischen Bereich 202 befinden. Wie oben beschrieben, können die Standortdaten 118 einen oder mehrere Rohstandortberichte enthalten, die einen Geocode beschreiben, der einen der jeweiligen Benutzervorrichtung 120 zugeordneten Standort identifiziert.
Bei (704) kann das Verfahren 700 das Bestimmen einer dem geografischen Bereich zugeordneten Wichtigkeitsstufe beinhalten. Zum Beispiel können die Computergeräte 106 eine Wichtigkeitsstufe 122, die mit dem geografischen Bereich 202 assoziiert ist, zumindest teilweise basierend auf der Anzahl von Benutzervorrichtungen 120 bestimmen, die sich in dem geografischen Bereich 202 befinden. Die Wichtigkeitsstufe 122 kann einen Grad an Interesse an dem geografischen Bereich 202, der mit dem geografischen Bereich 202 assoziierten Menge an Benutzerverkehr, usw. anzeigen. In einigen Implementierungen kann eine höhere Anzahl von Benutzervorrichtungen 120 auf eine höhere Wichtigkeitsstufe hinweisen (z. B. Benutzerinteresse, potentieller Bereich der Änderung, potentielle Konstruktion), die mit dem geografischen Bereich 202 assoziiert ist.
Die Computergeräte 106 können den geografischen Bereich zumindest teilweise basierend auf der Wichtigkeitsstufe identifizieren. In dem Fall, dass die Anzahl der sich in dem geografischen Bereich befindlichen Benutzervorrichtungen 120 hoch ist (z. B. relativ zu einer typischen, historischen Anzahl von Benutzervorrichtungen in dem geografischen Bereich 202), kann die mit dem geografischen Bereich 202 assoziierte Wichtigkeitsstufe hoch sein. Demgemäß können die Computergeräte 106 den geografischen Bereich 202 als einen Bereich von Interesse identifizieren, für den sie die hier beschriebenen Systeme und Verfahren verwenden sollten, um zu bestimmen, ob eine Änderung in dem Bereich auftritt.
Bei (706) kann das Verfahren 700 das Erhalten von Daten beinhalten, die eine Vielzahl von Bildern beschreiben, die einem geografischen Bereich zugeordnet sind. Zum Beispiel können die Computergeräte 106 Daten 116 erhalten, die eine Vielzahl von Bildern 200 beschreiben, die einem geografischen Bereich 202 zugeordnet sind. Jedes Bild kann mindestens einen Teil des geografischen Bereichs 202 darstellen. Jedes Bild wurde zu einem anderen Zeitpunkt aufgenommen. Zum Beispiel kann die Vielzahl von Bildern 200 ein erstes Bild 204A enthalten, das zu einem ersten Zeitpunkt 206A (z. B. t₁) aufgenommen wurde und zweites Bild 204B, das zu einem zweiten Zeitpunkt 206B (z. B. t₂) aufgenommen wurde. In einigen Implementierungen kann die Vielzahl von Bildern 200 von einer oder mehreren Straßenebenenplattformen 108A erfasst werden. In einigen Implementierungen kann die Vielzahl von Bildern 200 durch eine oder mehrere Luftplattformen 108B erfasst werden.
Bei (708) kann das Verfahren 700 das Analysieren von mindestens einer Teilmenge der Vielzahl von Bildern beinhalten. Zum Beispiel können die Computergeräte 106 mindestens eine Teilmenge der Vielzahl von Bildern 200 analysieren, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich 202 assoziiert sind. Die Computergeräte 106 können Daten 502, die zumindest eine Teilmenge der Bilder 200 beschreiben, in ein maschinell erlerntes Modell (z. B. das binäre Klassifikatormodell 126) eingeben. In einigen Implementierungen können die Daten 502 zumindest einen Abschnitt jedes jeweiligen Bildes beschreiben, das die Teilmenge von Bildern ausmacht. Zum Beispiel können die Daten 502 mindestens einen Abschnitt des ersten Bildes 204A und mindestens einen Abschnitt des zweiten Bildes 204B beschreiben.
Das binäre Klassifikatormodell 126 kann ein Auftreten von einer oder mehreren Änderungen, die dem geografischen Bereich 202 zugeordnet sind, zumindest teilweise basierend auf den eingegebenen Daten 502 identifizieren. Beispielsweise stellt 8 ein Flussdiagramm eines beispielhaften Verfahrens 800 gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung dar. Ein oder mehrere Abschnitte des Verfahrens 800 können durch ein oder mehrere Computergeräte implementiert werden, wie zum Beispiel den in den 1 und 9 dargestellten. Darüber hinaus können ein oder mehrere Schritte des Verfahrens 800 mit den Schritten des Verfahrens 700 kombiniert werden, wie zum Beispiel bei (708). 8 zeigt Schritte, die in einer bestimmten Reihenfolge zum Zweck der Veranschaulichung und Diskussion durchgeführt werden. Der Durchschnittsfachmann wird unter Verwendung der hierin bereitgestellten Offenbarungen verstehen, dass die Schritte von jedem der hier diskutierten Verfahren angepasst, neu angeordnet, erweitert, weggelassen oder auf verschiedene Arten modifiziert werden können, ohne von dem Umfang der vorliegenden Offenbarung abzuweichen.
Bei (802) kann das Verfahren 800 das Identifizieren von einem oder mehreren Abschnitten der Bilder umfassen. Zum Beispiel können die Computergeräte 106 eine erste Vielzahl von Zellen 402A, die mit einem ersten Bild 204A der Vielzahl von Bildern 200 assoziiert sind, und eine zweite Vielzahl von Zellen 402B, die einem zweiten Bild 204B der Vielzahl von Bildern 200 zugeordnet sind, identifizieren. Jede Zelle kann eine Teilregion 408 (z. B. Grundstück) des größeren geografischen Bereichs 202 (z. B. Nachbarschaft) darstellen.
Bei (804) kann das Verfahren das Auswählen von Teilen der Bilder umfassen. Die Computergeräte 106 können einen ersten Abschnitt des ersten Bildes 204A und einen zweiten Abschnitt des zweiten Bildes 204B auswählen. Zum Beispiel können die Computergeräte 106 eine erste Zelle 406A der ersten Vielzahl von Zellen 402A und eine zweite Zelle 406B der zweiten Vielzahl von Zellen 402B auswählen. Sowohl die erste Zelle 406A als auch die zweite Zelle 406B können einer Teilregion 408 des geografischen Bereichs 202 zugeordnet sein.
Bei (806) kann das Verfahren das Eingeben von Daten, die mindestens eine Teilmenge der Bilder beschreiben, in ein maschinell erlerntes Modell beinhalten. Die Computergeräte 106 können Daten 502, die mindestens eine Teilmenge der Bilder beschreiben, in ein maschinell erlerntes Modell eingeben. Zum Beispiel können die Computergeräte 106 Daten 502, die Abschnitte jedes der Bilder 200 beschreiben, in das binäre Klassifikatormodell 126 eingeben. Zum Beispiel können die Computergeräte 106 Daten 502, die die erste Zelle 406A und die zweite Zelle 406B beschreiben, in das maschinell gelernte binäre Klassifikatormodell 126 eingeben, um ein Auftreten einer mit der Teilregion 408 des geografischen Bereichs 202 assoziierten Änderung 410 zu identifizieren. Wie hierin beschrieben, können die Daten 502 Bilddaten enthalten, die mit der in jedem der jeweiligen ausgewählten Bildabschnitte (z. B. Zellen) dargestellten Teilregion assoziiert sind, wie beispielsweise Daten, die die Pixel beschreiben, aus denen die Bildabschnitte (z. B. Zellen) bestehen und/oder die visuellen Eigenschaften (z. B. Farbe, Intensität, dargestellte Objekte), die mit solchen Pixeln (und/oder den Zellen) assoziiert sind. In einigen Implementierungen können die Computergeräte 106 Daten eingeben, die mindestens einer Teilmenge der Bilder 200 zugeordnet sind, und das binäre Klassifikatormodell 126 kann die Bilder verarbeiten, um Abschnitte (z. B. Zellen) der Bilder zu identifizieren und Abschnitte der Bilder auszuwählen, wie in (802) und (804).
Bei (808) kann das Verfahren 800 das Verarbeiten von eingegebenen Daten beinhalten, um ein Auftreten von einer oder mehreren Änderungen zu identifizieren, die mit dem geografischen Bereich assoziiert sind. Zum Beispiel kann ein maschinell erlerntes Modell die Daten verarbeiten, die die Abschnitte des ersten und des zweiten Bildes 204A-B beschreiben. Beispielsweise kann das binäre Klassifikatormodell 126 die Daten verarbeiten, die die erste Zelle 406A und die zweite Zelle 406B beschreiben, um das Auftreten von einer oder mehreren Änderungen 410 zu identifizieren, die mit der Teilregion 408 des geografischen Bereichs 202 assoziiert sind.
Wie hier beschrieben, kann das binäre Klassifikatormodell 126 trainiert werden, um das Auftreten der Änderung (z. B. 410), die mit der Teilregion 408 des geografischen Bereichs 202 assoziiert ist, zumindest teilweise basierend auf einem Vergleich von einer oder mehreren visuellen Eigenschaften jeder der Zellen 406A-B zu identifizieren. Somit kann das binäre Klassifikatormodell 126 die visuellen Eigenschaften der Bilder 200 vergleichen, um das Auftreten von einer oder mehreren Änderungen zu identifizieren. Zum Beispiel kann das binäre Klassifikatormodell 126 die visuellen Eigenschaften der ersten Zelle 406A (z. B. die damit assoziierten Pixel) und der zweiten Zelle 406B (z. B. die damit assoziierten Pixel) vergleichen, um ein Auftreten von einer oder mehreren Änderungen 410 zu identifizieren, die der Teilregion 408 des geografischen Bereichs 202 zugeordnet ist.
Bei (810) kann das Verfahren 800 das Empfangen einer Ausgabe von dem maschinell erlernten Modell beinhalten. Zum Beispiel können die Computergeräte 106 eine erste Ausgabe 504 von dem binären Klassifikatormodell 126 empfangen. Die Ausgabe 504 kann das Auftreten von einer oder mehreren Änderungen 410 beschreiben, die der Teilregion 408 des geografischen Bereichs 202 zugeordnet sind. Die eine oder mehreren dem geografischen Bereich 202 zugeordneten Änderungen können mindestens eine Änderung beinhalten, die mit einem strukturellen Bestand (z. B. Gebäude, Gebäudeteil, andere Struktur) assoziiert ist und einer Änderung, die mit einem Verkehrsbestand (z. B. Straße, Fahrweg) assoziiert ist. Zum Beispiel kann die Änderung 410, die mit dem geografischen Bereich 202 assoziiert ist, mindestens eine Gebäudefluktuation (z. B. das Hinzufügen, Entfernen, Ändern eines Gebäudes, anderer struktureller Bestände) und/oder Straßenfluktuation (z. B. das Hinzufügen, Entfernen, Änderung eines Reisewegs, anderer Transportbestände) beinhalten. In einigen Implementierungen kann die Änderung mit einer anderen Art von Bestand (z. B. landwirtschaftlich) assoziiert sein.
Bei (812) kann das Verfahren 800 das Eingeben von Daten, die andere Zellen beschreiben, in das maschinell erlernte Modell beinhalten. In einigen Implementierungen können die Computergeräte 106 Daten, die einen oder mehrere andere Abschnitte des ersten und zweiten Bildes 204A-B beschreiben, in das binäre Klassifikatormodell 126 eingeben, um eine Änderung zu erfassen. Zum Beispiel können die Computergeräte 106 Daten 506 bereitstellen, die andere Zellen (z. B. 412A-B) der ersten und zweiten Vielzahl von Zellen 402A-B als eine weitere Eingabe in das binäre Klassifikatormodell 126 beschreiben, um ein Auftreten von einer oder mehreren Änderungen, die mit einer oder mehreren anderen Teilregionen (z. B. 414) des geografischen Bereichs 202 assoziiert sind, zu identifizieren. Die Computergeräte 106 können bei (814) eine zweite Ausgabe 508 von dem binären Klassifikatormodell 126 empfangen. Die zweite Ausgabe 508 kann das Auftreten einer oder mehrerer Änderungen beschreiben, die mit einer oder mehreren der anderen Teilregionen (z. B. 414) des geografischen Bereichs 202 assoziiert sind.
In einigen Implementierungen können die Computergeräte 106 Daten in das binäre Klassifikatormodell 126 eingeben, die ein oder mehrere andere Bilder (z. B. 204C) der Vielzahl von Bildern 200 beschreiben. Die eingegebenen Daten können einen oder mehrere Abschnitte (z. B. Zellen) des anderen Bildes (z. B. 204C) beschreiben. Das binäre Klassifikatormodell 126 kann solche Daten in einer ähnlichen Weise zu der oben beschriebenen verarbeiten, um das Auftreten von anderen Änderungen zu identifizieren, die mit der Teilregion 408 assoziiert sind, und/oder um eine oder mehrere andere Änderungen zu identifizieren, die mit anderen Teilregionen des geografischen Bereichs 202 assoziiert sind. Die zweite Ausgabe 508 (und/oder andere Ausgabe) kann das Auftreten der einen oder mehreren Änderungen beschreiben, die der Teilregion 408 und/oder einer anderen Teilregion des geografischen Bereichs 202 zugeordnet sind, zumindest teilweise basierend auf den eingegebenen Daten von dem oder den anderen Bildern (z. B. 204C).
Zurückkehrend zu 7 kann das Verfahren 700 bei (710) das Bestimmen eines Änderungsgrades beinhalten, der dem geografischen Bereich zugeordnet ist. In einigen Implementierungen können die Computergeräte 106 den dem geografischen Bereich 202 zugeordneten Änderungsgrad 418 zumindest teilweise basierend auf der ersten Ausgabe 504 und der zweiten Ausgabe 508 aus dem binären Klassifikatormodell 126 bestimmen. Das oder die Computergeräte 106 können einen dem geografischen Bereich 202 zugeordneten Änderungsgrad 418 zumindest teilweise basierend auf dem Auftreten der einen oder mehreren Änderungen (z. B. 410, 416) bestimmen, die dem geografischen Bereich 202 (z. B. in den Ausgaben des Modells angegeben) zugeordnet sind. In einigen Implementierungen können die Computergeräte 106 den dem geografischen Bereich 202 (z. B. Nachbarschaft) zugeordneten Änderungsgrad 418 bestimmen, indem sie die für jede Teilregion (z. B. Grundstücke) bestimmten Änderungsvorkommen wie hierin beschrieben aggregieren. Zusätzlich und/oder alternativ kann der Gesamtänderungsgrad auf einer Änderung pro Quadratabstand und/oder einer Gewichtungsänderung innerhalb gewisser Teilregionen basieren, wie hierin beschrieben ist.
Bei (712) kann das Verfahren 700 das Erzeugen einer grafischen Darstellung beinhalten, die den Änderungsgrad angibt. Zum Beispiel können die Computergeräte 106 eine grafische Darstellung 600 erzeugen, die den Änderungsgrad 418 anzeigt, der dem geografischen Bereich 202 zugeordnet ist. Die grafische Darstellung 600 kann den Änderungsgrad 418 anzeigen, der dem geografischen Bereich 202 relativ zu einem oder mehreren anderen geografischen Bereichen zugeordnet ist (z. B. wie in 6 gezeigt). Dies kann die verschiedenen Änderungsgrade zeigen, die in verschiedenen geografischen Bereichen, beispielsweise in einem Land, der Welt usw. auftreten. In einigen Implementierungen kann die grafische Darstellung angeben, welche Teilregionen des geografischen Bereichs 202 eine Änderung erfahren haben.
Bei (714) kann das Verfahren 700 das Anpassen der Bilderfassung beinhalten, die dem geografischen Bereich zugeordnet ist. Die Computergeräte 106 können einen Steuerbefehl 129 an ein Bilderfassungssystem 104 bereitstellen, um eine Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zumindest teilweise basierend auf dem Änderungsgrad 418 anzupassen. Zum Beispiel kann das Bilderfassungssystem 104, wie hier beschrieben, eine oder mehrere Bilderfassungsplattformen 108A-B beinhalten. Die Computergeräte 106 können den Steuerbefehl 129 an das Bilderfassungssystem 104 bereitstellen, um ein Erfassungsmuster 110A-B, das der einen oder den mehreren Bilderfassungsplattformen 108A-B zugeordnet ist, zumindest teilweise basierend auf dem Änderungsgrad 418 anzupassen. Das Bilderfassungssystem 104 kann den Steuerbefehl empfangen und die Bilderfassung entsprechend anpassen. Das Anpassen des Erfassungsmusters 110A-B kann ein Anpassen einer Häufigkeit 134A-B beinhalten, mit der Bilder des geografischen Bereichs 202 durch jeweilige der Bilderfassungsplattformen 108A-B erfasst werden. Zum Beispiel kann die Häufigkeit 134A-B, mit der Bilder des geografischen Bereichs 202 erfasst werden, abhängig davon, dass der dem geografischen Bereich 200 zugeordnete bestimmte Änderungsgrad 418 über einem Schwellenwert 130 liegt, erhöht werden. Zusätzlich und/oder alternativ kann das Beziehen von Bilddaten die Anpassung von Einkaufsstrategien und/oder Aufforderungen für Benutzereingaben beinhalten.
In einigen Implementierungen können die Computergeräte 106 den Steuerbefehl 129 an das Bilderfassungssystem 104 bereitstellen, um das Erfassungsmuster, das der einen oder den mehreren Bilderfassungsplattformen 110A-B zugeordnet ist, zumindest teilweise basierend auf dem Änderungsgrad 418 und der Wichtigkeitsstufe 122, die mit dem geografischen Bereich 202 verbunden sind, anzupassen. Das Bilderfassungssystem 104 kann die Bilderfassung wie angewiesen anpassen (z. B. über die Bilderfassungsplattformen 108AB). Zum Beispiel können in dem Fall, dass der Änderungsgrad 418 hoch ist und die Wichtigkeitsstufe 122 hoch ist, die Computergeräte 106 bestimmen, die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zu erhöhen (z. B. Erhöhen der Häufigkeit 134A-B, mit der Bilder des geografischen Bereichs 202 erfasst werden). In dem Fall, dass der Änderungsgrad 418 hoch ist, die Wichtigkeitsstufe 122 jedoch niedrig ist, können die Computergeräte 106 bestimmen, die aktuelle Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, beizubehalten und/oder die Erfassung solcher Bilddaten mäßig zu erhöhen. In dem Fall, dass der Änderungsgrad 418 niedrig ist, die Wichtigkeitsstufe 122 jedoch hoch ist, können die Computergeräte 106 bestimmen, die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, beizubehalten und/oder die Erfassung solcher Bilddaten zu verringern. In dem Fall, dass der Änderungsgrad 418 niedrig ist und die Wichtigkeitsstufe 122 niedrig ist, können die Computergeräte 106 bestimmen, die Erfassung von Bilddaten, die dem geografischen Bereich 202 zugeordnet sind, zu verringern. Auf diese Weise können die Systeme und Verfahren der vorliegenden Offenbarung Bildgebungsressourcen zuweisen, um Bilder von Bereichen zu erfassen, die höhere Änderungsgrade erfahren, während Ressourcen bewahrt werden, die andernfalls für Gebiete verwendet würden, die geringere Änderungsgrade erfahren.
In einigen Implementierungen kann ein geografischer Bereich mit einer hohen Wichtigkeitsstufe, in dem eine Änderung möglich ist (obwohl dies nicht üblich ist), eine höhere Priorität erhalten, wenn die Auswirkung der Änderung hoch sein würde. Bestimmte geografische Bereiche (z. B. Flughäfen, Einkaufszentren, andere beliebte Attraktionen) weisen zum Beispiel ein mittleres Maß an Veränderungen auf (z. B. mäßige Straßen- oder Gebäudefluktuation), haben aber eine hohe Wichtigkeitsstufe (z. B. Anwesenheit von Benutzervorrichtungen) und/oder andere Indikatoren von Interesse (z. B. Online-Ansichten einer zugehörigen Unternehmenswebseite). Veränderungen in solchen Gebieten könnten aufgrund des Standortes und/oder der Population solcher Gebiete erhebliche Auswirkungen haben. In einigen Implementierungen können die Computergeräte 106 diesen geografischen Bereichen (von höherer Wichtigkeitsstufe) eine Priorität zuweisen. Dementsprechend können die Computergeräte 106 die Bilderfassung (z. B. über einen oder mehrere Steuerbefehle) an das Bilderfassungssystem 104) anpassen, sodass die Bilder dieser Bereiche mit hoher Priorität regelmäßig erfasst werden, wodurch den Computergeräten die regelmäßige Überwachung auf Veränderungen in diesen Bereichen, in denen Änderungen (wenn auch nicht üblich) erhebliche Auswirkungen haben können, ermöglicht wird.
9 zeigt ein beispielhaftes System 900 gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung. Das System 900 kann das Maschinenlern-Computersystem 102, das Bilderfassungssystem 104, die Vielzahl von Benutzervorrichtungen 120 und/oder das Trainingscomputersystem 128 beinhalten. Die Komponenten des Systems 900 können mit einer oder mehreren der anderen Komponenten des Systems 900 über ein oder mehrere Kommunikationsnetzwerke 902 kommunizieren, beispielsweise um Daten auszutauschen.
Das Computersystem 102 umfasst ein oder mehrere Computergeräte 106. Die Computergeräte 106 können jeweils einen oder mehrere Prozessoren 904A und ein oder mehrere Speichergeräte 904B beinhalten. Der eine oder die mehreren Prozessoren 904A können jede geeignete Verarbeitungsvorrichtung (z. B. ein Prozessorkern, ein Mikroprozessor, ein ASIC, ein FPGA, ein Controller, ein Mikrocontroller usw.) sein und können ein Prozessor oder eine Vielzahl von Prozessoren sein, die operativ verbunden sind. Das/die Speichergerät(e) 904B können ein oder mehrere nichtflüchtige computerlesbare Speichermedien wie RAM, ROM, EEPROM, EPROM, Flash-Speichervorrichtungen, Magnetplatten usw. und/oder Kombinationen davon beinhalten.
Das eine oder die mehreren Speichergeräte 904B speichern Informationen, auf die von dem einen oder den mehreren Prozessoren 904A zugegriffen werden kann, einschließlich der computerlesbaren Anweisungen 904C, die von dem einen oder den mehreren Prozessoren 904A ausgeführt werden können. Die Anweisungen 904C können ein beliebiger Satz von Anweisungen sein, die, wenn sie von dem einen oder den mehreren Prozessoren 904A ausgeführt werden, den einen oder die mehreren Prozessoren 904A veranlassen, Operationen auszuführen. In einigen Ausführungsformen können die Anweisungen 904C durch den einen oder die mehreren Prozessoren 904A ausgeführt werden, um den einen oder die mehreren Prozessoren 904A zur Ausführung von Operationen zu veranlassen, wie etwa alle Operationen und Funktionen, für die das Computersystem 102 und/oder die Computergeräte 106 konfiguriert sind, die Operationen zum Beauftragen eines Bilderfassungssystems (z. B. Verfahren 700, 800) und/oder jeglicher anderen Operationen oder Funktionen zum Erhalten von Bildern, Analysieren der Bilder, Bestimmen eines Änderungsgrads und Bereitstellen von Steuerbefehlen zum Anpassen der Erfassung von Bilddaten, wie hierin beschrieben. Die Anweisungen 904C können Software sein, die in einer geeigneten Programmiersprache geschrieben ist, oder können in Hardware implementiert sein. Zusätzlich und/oder alternativ können die Anweisungen 904C in logisch und/oder virtuell getrennten Threads auf Prozessoren 904A ausgeführt werden.
Das eine oder die mehreren Speichergeräte 904B können außerdem die Daten 904D beinhalten, die von dem einen oder den mehreren Prozessoren 904A abgerufen, bearbeitet, erstellt oder gespeichert werden können. Die Daten 904D können zum Beispiel Daten enthalten, die Bildern zugeordnet sind, Daten, die einem geografischen Bereich zugeordnet sind, Standortdaten, Daten, die einem maschinell erlernten Modell zugeordnet sind, Trainingsdaten und/oder andere Daten oder Informationen. Die Daten 904D können in einer oder mehreren Datenbanken gespeichert werden. Die eine oder die mehreren Datenbanken können durch ein LAN oder WAN mit hoher Bandbreite mit dem oder den Computergeräten 106 verbunden sein oder können auch über ein oder mehrere Netzwerke 902 mit dem oder den Computergeräten 106 verbunden sein. Die eine oder die mehreren Datenbanken können aufgeteilt werden, sodass sie sich in mehreren Gebietsschemata befinden.
Wie hierin beschrieben, können die Computergeräte 106 ein oder mehrere maschinell erlernte Modelle 904E, wie beispielsweise das binäre Klassifikatormodell 126, speichern oder anderweitig enthalten. Die maschinell erlernten Modelle 904E können maschinell erlernte Modelle sein oder können anderweitig verschiedene maschinell erlernte Modelle beinhalten, wie z. B. neuronale Netze (z. B. tiefe neuronale Netze) oder andere mehrschichtige nichtlineare Modelle. Die Prozessoren 904A können auf die Modelle 904E zugreifen, um die Operationen und Funktionen zum Analysieren von Bildern auszuführen und ein Bilderfassungssystem zu beauftragen, wie hierin beschrieben.
Die Computergeräte 106 können auch eine Netzwerkschnittstelle 904F beinhalten, die zur Kommunikation mit einer oder mehreren anderen Komponenten des Systems 900 (z. B. Bilderfassungssystem 104, Benutzervorrichtungen 120, Trainingscomputersystem 128), über das oder die Netzwerke 902, verwendet wird. Die Netzwerkschnittelle 904F kann alle geeigneten Komponenten für eine Rechnerankopplung an ein oder mehrere Netzwerke beinhalten, darunter auch z. B. Sender, Empfänger, Anschlüsse, Controller, Antennen oder sonstige geeignete Komponenten.
In einigen Implementierungen kann das Maschinenlern-Computersystem 102 eine oder mehrere Server-Computergeräte beinhalten oder anderweitig durch diese implementiert sein. In Fällen, in denen das Maschinenlern-Computersystem 102 mehrere Server-Computergeräte enthält, können solche Server-Computergeräte gemäß sequenziellen Berechnungsarchitekturen, parallelen Berechnungsarchitekturen oder einer Kombination davon arbeiten.
Das Bilderfassungssystem 104 kann ein oder mehrere Computergeräte 906A beinhalten. Die Computergeräte 906A können einen oder mehrere Prozessoren 906B und ein oder mehrere Speichergeräte 906C beinhalten. Der eine oder die mehreren Prozessoren 906B können jede geeignete Verarbeitungsvorrichtung beinhalten, wie einen Mikroprozessor, Mikrocontroller, eine integrierte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC), einen digitalen Signalprozessor (DSP), ein feldprogrammierbares Gate-Array ( FPGA), Logikbausteine, eine oder mehrere zentrale Verarbeitungseinheiten (CPUs), Grafikverarbeitungseinheiten (GPUs) (z. B. zum effizienten Rendern von Bildern), Verarbeitungseinheiten, die andere spezialisierte Berechnungen durchführen, usw. Das oder die Speichergeräte 906C kann (können) ein oder mehrere nichtflüchtige computerlesbare Speichermedien wie RAM, ROM, EEPROM, EPROM, Flash-Speichervorrichtungen, Magnetplatten usw. und/oder Kombinationen davon beinhalten.
Das oder die Speichergeräte 906C können ein oder mehrere computerlesbare Medien beinhalten und Informationen speichern, auf die von dem einen oder den mehreren Prozessoren 906B zugegriffen werden kann, einschließlich der Anweisungen 906D, die von dem einen oder den mehreren Prozessoren 906B ausgeführt werden können. Zum Beispiel kann der Speicher 906C Anweisungen 906D zum Erfassen von Bilddaten speichern, wie hierin beschrieben. In einigen Ausführungsformen können die Anweisungen 906D durch den einen oder die mehreren Prozessoren 906B ausgeführt werden, um den einen oder die mehreren Prozessoren 906B zur Ausführung von Operationen zu veranlassen, wie etwa alle Operationen und Funktionen, für die das Bilderfassungssystem 104 konfiguriert ist (z. B. Bereitstellen von Bilddaten, Anpassen der Bilderfassung, Kommunizieren mit Bilderfassungsplattformen) und/oder beliebige andere Operationen oder Funktionen des Bilderfassungssystems 104, wie hierin beschrieben. Die Anweisungen 906D können Software sein, die in einer geeigneten Programmiersprache geschrieben ist, oder können in Hardware implementiert sein. Zusätzlich und/oder alternativ können die Anweisungen 906D in logisch und/oder virtuell getrennten Threads auf den Prozessoren 906B ausgeführt werden.
Das eine oder die mehreren Speichergeräte 906C können außerdem die Daten 906E beinhalten, die von dem einen oder den mehreren Prozessoren 906B abgerufen, bearbeitet, erstellt oder gespeichert werden können. Die Daten 906E können beispielsweise Bilddaten umfassen, die einem oder mehreren geografischen Bereichen, Erfassungsmustern usw. zugeordnet sind. In einigen Implementierungen kann die Datenbank 112 enthalten sein oder anderweitig mit dem Bilderfassungssystem 104 assoziiert sein. In einigen Implementierungen können die Daten 906E von einer anderen Vorrichtung (z. B. einer entfernten zugreifbaren Bilddatenbank) empfangen werden.
Die Computergeräte 906A können auch eine Netzwerkschnittstelle 906F beinhalten, die verwendet wird, um mit einer oder mehreren anderen Komponenten des Systems 900 (z. B. Computersystem 102, Datenbank 112) über das Netzwerk bzw. die Netzwerke 902 zu kommunizieren. Die Netzwerkschnittelle 906F kann alle geeigneten Komponenten für eine Rechnerankopplung an ein oder mehrere Netzwerke beinhalten, darunter auch z. B. Sender, Empfänger, Anschlüsse, Controller, Antennen oder sonstige geeignete Komponenten.
Jede der Benutzervorrichtungen 120 kann eine geeignete Art von Computergerät, wie beispielsweise ein Laptop, Desktop, andere persönliche Computergeräte, Navigationssystem, Smartphone, Tablet, tragbares Computergerät, anderes mobiles Computergerät, ein Display mit einem oder mehreren Prozessoren, Server-Computergeräte oder eine andere Art von Computergerät sein. Eine Benutzervorrichtung 120 kann einen oder mehrere Prozessoren 908A und ein oder mehrere Speichergeräte 908B beinhalten. Der eine oder die mehreren Prozessoren 908A können jede geeignete Verarbeitungsvorrichtung beinhalten, wie einen Mikroprozessor, Mikrocontroller, eine integrierte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC), einen digitalen Signalprozessor (DSP), ein feldprogrammierbares Gate-Array (FPGA), Logikbausteine, eine oder mehrere zentrale Verarbeitungseinheiten (CPUs), Grafikverarbeitungseinheiten (GPUs) (z. B. zum effizienten Rendern von Bildern), Verarbeitungseinheiten, die andere spezialisierte Berechnungen durchführen, usw. Das/die Speichergerät(e) 908B können ein oder mehrere nichtflüchtige computerlesbare Speichermedien wie RAM, ROM, EEPROM, EPROM, Flash-Speichervorrichtungen, Magnetplatten usw. und/oder Kombinationen davon beinhalten.
Das/die Speichergerät(e) 908B beinhalten ein oder mehrere computerlesbare Medien und können Informationen speichern, auf die von dem einen oder den mehreren Prozessoren 908A zugegriffen werden kann, einschließlich der Anweisungen 908C, die von dem einen oder den mehreren Prozessoren 908A ausgeführt werden können. Zum Beispiel können die Speichergeräte 908B Anweisungen 908C zum Bestimmen des Gerätestandorts speichern und Standortdaten an das Computersystem 102 bereitstellen, wie hierin beschrieben. In einigen Ausführungsformen können die Anweisungen 908C durch den einen oder die mehreren Prozessoren 908A ausgeführt werden, um den einen oder die mehreren Prozessoren 908A zur Ausführung von Operationen zu veranlassen, wie etwa alle Operationen und Funktionen, für die die Benutzervorrichtungen 102 konfiguriert sind, und/oder andere Operationen oder Funktionen der Benutzervorrichtungen 102, wie hier beschrieben. Die Anweisungen 908C können Software sein, die in einer geeigneten Programmiersprache geschrieben ist, oder können in Hardware implementiert sein. Zusätzlich und/oder alternativ können die Anweisungen 908C in logisch und/oder virtuell getrennten Threads auf Prozessoren 908A ausgeführt werden.
Das eine oder die mehreren Speichergeräte 908B können außerdem die Daten 908D beinhalten, die von dem einen oder den mehreren Prozessoren 908A abgerufen, bearbeitet, erstellt oder gespeichert werden können. Die Daten 908D können beispielsweise Daten enthalten, die der Benutzervorrichtung zugeordnet sind (z. B. Standortdaten). In einigen Implementierungen können die Daten 908D von einem anderen Gerät empfangen werden (z. B. einem entfernten Computersystem zum Bestimmen des Standorts).
Eine Benutzervorrichtung 120 kann verschiedene Standortdatenverarbeitungshardware 908F zum Bestimmen des Standorts einer Benutzervorrichtung beinhalten. Zum Beispiel kann die Standort-Hardware 908F Sensoren, GPS-Datenverarbeitungsgeräte usw. beinhalten, die es einer Benutzervorrichtung 120 ermöglichen, deren Standort zu bestimmen. In einigen Implementierungen kann die Standortdatenverarbeitungshardware 908F in Verbindung mit Daten verwendet werden, die von einem oder mehreren anderen Ferncomputergeräten empfangen werden, um den Standort der Benutzervorrichtung 120 zu bestimmen.
Eine Benutzervorrichtung 120 kann auch eine Netzwerkschnittstelle 908F beinhalten, die verwendet wird, um mit einer oder mehreren anderen Komponenten des Systems 900 (z. B. Computersystem 102) über das Netzwerk (die Netzwerke) 902 zu kommunizieren. Die Netzwerkschnittelle 908F kann alle geeigneten Komponenten für eine Rechnerankopplung an ein oder mehrere Netzwerke beinhalten, darunter auch z. B. Sender, Empfänger, Anschlüsse, Controller, Antennen oder sonstige geeignete Komponenten.
In einigen Implementierungen kann das System 900 ferner ein Trainingscomputersystem 128 beinhalten, das kommunikativ über das Netzwerk (die Netzwerke) 902 verbunden ist. Das Trainingscomputersystem 128 kann von dem Maschinenlern-Computersystem 102 getrennt sein oder kann ein Teil des Maschinenlern-Computersystem 102 sein. Das Trainingscomputersystem 128 kann ein oder mehrere Computergeräte 910A beinhalten.
Die Computergeräte 910A können einen oder mehrere Prozessoren 910B und ein oder mehrere Speichergeräte 910C beinhalten. Der eine oder die mehreren Prozessoren 910B können jede geeignete Verarbeitungsvorrichtung beinhalten, wie einen Mikroprozessor, Controller, Mikrocontroller, eine integrierte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC), einen digitalen Signalprozessor (DSP), ein feldprogrammierbares Gate-Array (FPGA), Logikbausteine, eine oder mehrere zentrale Verarbeitungseinheiten (CPUs), Grafikverarbeitungseinheiten (GPUs) (z. B. zum effizienten Rendern von Bildern), Verarbeitungseinheiten, die andere spezialisierte Berechnungen durchführen, usw. Das oder die Speichergeräte 910C kann (können) ein oder mehrere nichtflüchtige computerlesbare Speichermedien wie RAM, ROM, EEPROM, EPROM, Flash-Speichervorrichtungen, Magnetplatten usw. und/oder Kombinationen davon beinhalten.
Das eine oder die mehreren Speichergeräte 910C beinhalten ein oder mehrere computerlesbare Medien und können Informationen speichern, auf die von dem einen oder den mehreren Prozessoren 910B zugegriffen werden kann, einschließlich der Anweisungen 910D, die von dem einen oder den mehreren Prozessoren 910B ausgeführt werden können. Zum Beispiel kann der Speicher 910C Anweisungen 910D zum Trainieren von maschinell erlernten Modellen speichern, wie hierin beschrieben. In einigen Ausführungsformen können die Anweisungen 910D durch den einen oder die mehreren Prozessoren 910B ausgeführt werden, um den einen oder die mehreren Prozessoren 910B zur Ausführung von Operationen zu veranlassen, wie etwa alle Operationen und Funktionen, für die das Trainingscomputersystem 128 konfiguriert ist (z. B. Trainieren des binären Klassifikatormodells) und/oder anderen Operationen oder Funktionen des Trainingscomputersystems 128, wie hierin beschrieben. Die Anweisungen 910D können Software sein, die in einer geeigneten Programmiersprache geschrieben ist, oder können in Hardware implementiert sein. Zusätzlich und/oder alternativ können die Anweisungen 910D in logisch und/oder virtuell getrennten Threads auf den Prozessoren 910B ausgeführt werden.
Das eine oder die mehreren Speichergeräte 910D können außerdem die Daten 910E beinhalten, die von dem einen oder den mehreren Prozessoren 910B abgerufen, bearbeitet, erstellt oder gespeichert werden können. Die Daten 910E können beispielsweise Trainingsdaten usw. umfassen. In einigen Implementierungen können die Daten 910E von einer anderen Vorrichtung (z. B. einer entfernten zugreifbaren Bilddatenbank) empfangen werden.
Die Computergeräte 910A können auch einen oder mehrere Modelltrainer 910F beinhalten, wie beispielsweise den Modelltrainer 302. Die Modelltrainer 910F können eine Computerlogik enthalten, die verwendet wird, um die gewünschte Funktionalität bereitzustellen. Der Modelltrainer 910F kann in Hardware, Firmware und/oder Software implementiert werden, die einen Universalprozessor steuern. Zum Beispiel können der oder die Modelltrainer 910F in einigen Implementierungen Programmdateien enthalten, die auf einer Speichervorrichtung gespeichert sind, in einen Speicher geladen und von einem oder mehreren Prozessoren (z. B. 910B) ausgeführt werden. In anderen Implementierungen können der/die Modelltrainer 910F einen oder mehrere Sätze von computerausführbaren Anweisungen enthalten, die in einem physischen computerlesbaren Speichermedium wie einer RAM-Festplatte oder optischen oder magnetischen Medien gespeichert sind.
Die Computergeräte 910A können auch eine Netzwerkschnittstelle 910G beinhalten, die verwendet wird, um mit einer oder mehreren anderen Komponenten des Systems 900 (z. B. Computersystem 102) über das Netzwerk (die Netzwerke) 902 zu kommunizieren. Die Netzwerkschnittelle 910G kann alle geeigneten Komponenten für eine Rechnerankopplung an ein oder mehrere Netzwerke beinhalten, darunter auch z. B. Sender, Empfänger, Anschlüsse, Controller, Antennen oder sonstige geeignete Komponenten.
Das oder die Netzwerke 902 können eine beliebige Art von Kommunikationsnetzwerk sein, wie beispielsweise ein lokales Netzwerk (z. B. Intranet), Großraumnetzwerk (z. B. Internet), Mobilfunknetz oder Kombinationen derselben sein und kann eine Anzahl drahtgebundener oder drahtloser Verbindungen beinhalten. Das oder die Netzwerke 902 können auch eine direkte Verbindung zwischen einer oder mehreren Komponenten des Systems 900 umfassen. Im Allgemeinen kann die Kommunikation über das oder die Netzwerke 902 über eine beliebige Art von drahtgebundener und/oder drahtloser Verbindung erfolgen, unter dem Einsatz einer großen Vielzahl von Kommunikationsprotokollen (z. B. TCP/IP, HTTP, SMTP, FTP), Codierungen oder Formaten (z. B. HTML, XML) und/oder Schutzsystemen (z. B. VPN, sichere HTTP, SSL), ausgeführt werden.
Die hier erläuterte Technologie bezieht sich auf Server, Datenbanken, Softwareanwendungen und sonstige computerbasierte Systeme, sowie auf ausgeführte Aktionen und auf an diese Systeme oder von diesen Systemen gesendete Informationen. Für Fachleute auf diesem Gebiet ist leicht zu erkennen, dass die inhärente Flexibilität computerbasierter Systeme eine große Vielfalt an möglichen Konfigurationen, Kombinationen, Aufgabenteilungen und Funktionsweisen zwischen und unter den Komponenten ermöglicht. Beispielsweise können hier erläuterte Serverprozesse unter Verwendung eines einzelnen Servers oder mehrerer Server, die in Kombination arbeiten, implementiert werden. Datenbanken und Anwendungen können auf einem Einzelsystem implementiert oder auf mehrere Systeme verteilt werden. Verteilte Komponenten können sequenziell oder parallel betrieben werden.
Darüber hinaus können Rechenaufgaben, die hier als an einem Server durchgeführt, erörtert werden, stattdessen an einer Benutzervorrichtung durchgeführt werden. Gleichermaßen können Rechenaufgaben, die hier als an der Benutzervorrichtung ausgeführt, diskutiert werden, stattdessen auf dem Server ausgeführt werden.
Während der hier zugrundeliegende Gegenstand in Bezug auf seine spezifischen exemplarischen Ausführungsformen und Verfahren detailliert beschrieben wurde, ist anzumerken, dass Fachleute auf diesem Gebiet schnell in der Lage sein werden, sobald sie das zuvor Erwähnte verstanden haben, Änderungen, Variationen und Äquivalente zu diesen Ausführungsformen hervorzubringen. Dementsprechend ist der Umfang der vorliegenden Offenbarung als exemplarische Darstellung und nicht als einschränkende Darstellung zu betrachten, zudem schließt die Offenbarung des Gegenstandes, wie für Fachleute auf dem Gebiet sehr schnell ersichtlich wäre, nicht die Einbeziehung solcher Änderungen, Variationen und/oder Ergänzungen zu dem hier zugrundeliegenden Gegenstand aus.

Claims

Computerimplementiertes Verfahren zum Beauftragen eines Bilderfassungssystems, umfassend: Beschaffen von Daten durch ein oder mehrere Computergeräte, die eine Vielzahl von mit einem geografischen Bereich assoziierten Bildern beschreiben, wobei jedes Bild zumindest einen Teil des geografischen Bereichs darstellt und jedes Bild zu einer unterschiedlichen Zeit erfasst wurde; Analysieren, durch das eine oder die mehreren Computergeräte, von mindestens einer Teilmenge der Vielzahl von Bildern, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind; Bestimmen, durch das eine oder die mehreren Computergeräte, eines mit dem geografischen Bereich assoziierten Änderungsgrades, basierend zumindest teilweise auf dem Auftreten der einen oder mehreren Änderungen, die mit dem geografischen Bereich assoziiert sind; und Bereitstellen eines Steuerbefehls an ein Bilderfassungssystem durch das eine oder die mehreren Computergeräte, um eine Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise basierend auf dem Änderungsgrad einzustellen.
Computerimplementiertes Verfahren nach Anspruch 1, wobei das Analysieren mindestens der Teilmenge der Vielzahl von Bildern durch das eine oder die mehreren Computergeräte zum Bestimmen des Auftretens von einer oder mehreren Änderungen, die dem geografischen Bereich zugeordnet sind, das Folgende umfasst: Identifizieren, durch das eine oder die mehreren Computergeräte, einer ersten Vielzahl von Zellen, die einem ersten Bild der Vielzahl von Bildern zugeordnet sind, und einer zweiten Vielzahl von Zellen, die einem zweiten Bild der Vielzahl von Bildern zugeordnet sind; Auswählen, durch das eine oder die mehreren Computergeräte, einer ersten Zelle der ersten Vielzahl von Zellen und einer zweiten Zelle der zweiten Vielzahl von Zellen, wobei sowohl die erste Zelle als auch die zweite Zelle mit einer Teilregion des geografischen Bereichs assoziiert sind; Eingeben, durch das eine oder die mehreren Computergeräte, von Daten, die die erste Zelle und die zweite Zelle beschreiben, in ein maschinell gelerntes binäres Klassifikatormodell, um das Auftreten von einer oder mehreren Änderungen zu identifizieren, die mit der Teilregion des geografischen Bereichs assoziiert sind; und Empfangen, durch das eine oder die mehreren Computergeräte, einer ersten Ausgabe von dem binären Klassifikatormodell, wobei die Ausgabe das Auftreten der einen oder mehreren Änderungen beschreibt, die mit der Teilregion des geografischen Bereichs assoziiert sind.
Computerimplementiertes Verfahren nach Anspruch 2, wobei das Analysieren mindestens der Teilmenge der Vielzahl von Bildern durch das eine oder die mehreren Computergeräte, um das Auftreten von einer oder mehreren mit dem geografischen Bereich assoziierten Änderungen zu bestimmen, weiterhin das Folgende umfasst: Bereitstellen von Daten durch das eine oder die mehreren Computergeräte, die andere Zellen der ersten und der zweiten Vielzahl von Zellen als eine andere Eingabe in das binäre Klassifikatormodell beschreiben, um ein Auftreten von einer oder mehreren Änderungen zu identifizieren, die mit einer oder mehreren anderen Teilregionen des geografischen Bereichs assoziiert sind; und Empfangen, durch das eine oder die mehreren Computergeräte, einer zweiten Ausgabe von dem binären Klassifikatormodell, wobei die zweite Ausgabe das Auftreten von einer oder mehreren Änderungen beschreibt, die mit einer oder mehreren der anderen Teilregionen des geografischen Bereichs assoziiert sind.
Computerimplementiertes Verfahren nach Anspruch 3, wobei das Bestimmen, durch das eine oder die mehreren Computergeräte, des mit dem geografischen Bereichs assoziierten Änderungsgrades, basierend zumindest teilweise auf der einen oder den mehreren dem geografischen Bereich zugeordneten Änderungen, das Folgende umfasst: Bestimmen, durch das eine oder die mehreren Computergeräte, des mit dem geografischen Bereich assoziierten Änderungsgrades, basierend zumindest teilweise auf der ersten Ausgabe und der zweiten Ausgabe.
Computerimplementiertes Verfahren nach einem der Ansprüche 2 bis 4, wobei das maschinell gelernte binäre Klassifikatormodell trainiert wird, um das Auftreten der einen oder mehreren Änderungen zu identifizieren, die mit der Teilregion des geografischen Bereichs verbunden sind, basierend zumindest teilweise auf einem Vergleich von einer oder mehreren visuellen Eigenschaften jeder der Zellen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das Bilderfassungssystem eine oder mehrere Bilderfassungsplattformen umfasst und wobei das Bereitstellen des Steuerbefehls an das Bilderfassungssystem durch das eine oder die mehreren Computergeräte das Anpassen eines Erfassungsmusters, das mit der einen oder den mehreren Bilderfassungsplattformen assoziiert ist, zumindest teilweise basierend auf dem Änderungsgrad umfasst.
Computerimplementiertes Verfahren nach Anspruch 6, ferner das Folgende umfasst: Erhalten, durch das eine oder die mehreren Computergeräte, von Standortdaten, die einer Vielzahl von Benutzervorrichtungen zugeordnet sind, wobei die Standortdaten eine Anzahl von Benutzervorrichtungen beschreiben, die sich in dem geografischen Bereich befinden; und Bestimmen, durch die eine oder die mehreren Computergeräte, einer mit dem geografischen Bereich assoziierten Wichtigkeitsstufe, basierend zumindest teilweise auf der Anzahl von Benutzervorrichtungen, die sich in dem geographischen Bereich befinden.
Computerimplementiertes Verfahren nach Anspruch 7, wobei das Bereitstellen des Steuerbefehls an das Bilderfassungssystem durch das eine oder die mehreren Computergeräte zum Anpassen der Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, das Folgende umfasst: Bereitstellen des Steuerbefehls an das Bilderfassungssystem durch das eine oder die mehreren Computergeräte, um das mit der einen oder den mehreren Bilderfassungsplattformen assoziierte Erfassungsmuster zumindest teilweise basierend auf dem mit dem geografischen Bereich assoziierten Änderungsgrad und Wichtigkeitsgrad anzupassen.
Computerimplementiertes Verfahren nach einem der Ansprüche 6 bis 8, wobei das Anpassen des Erfassungsmusters das Anpassen einer Häufigkeit umfasst, mit der Bilder des geografischen Bereichs durch jeweilige der Bilderfassungsplattformen erfasst werden.
Computerimplementiertes Verfahren nach Anspruch 9, wobei die Häufigkeit, mit der Bilder des geografischen Bereichs erfasst werden, abhängig von dem bestimmten mit dem geografischen Bereich assoziierten Änderungsgrad, der über einem Schwellenwert liegt, erhöht wird.
Computerimplementiertes Verfahren nach einem der Ansprüche 6 bis 10, wobei die Vielzahl von Bildern durch eine oder mehrere Luftplattformen erfasst wird.
Computerimplementiertes Verfahren nach einem der Ansprüche 6 bis 10, wobei die Vielzahl von Bildern von einer oder mehreren Straßenebenenplattformen erfasst wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend: Erzeugen, durch das eine oder die mehreren Computergeräte, einer grafischen Darstellung, die den Änderungsgrad angibt, der mit dem geografischen Bereich assoziiert ist; und wobei der Steuerbefehl zum Anpassen der Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise auf der grafischen Darstellung basiert.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die eine oder mehreren Änderungen, die dem geografischen Bereich zugeordnet sind, mindestens eine Änderung umfassen, die mit einem strukturellen Bestand und einer mit einem Verkehrsbestand verbundenen Änderung verbunden ist.
Computerimplementiertes Verfahren nach Anspruch 14, wobei die Änderung, die mit dem geografischen Bereich assoziiert ist, zumindest eines von der Gebäudefluktuation und Straßenfluktuation umfasst.
Computersystem zum Beauftragen eines Bilderfassungssystems, umfassend: mindestens ein Prozessor; und mindestens ein physisches, nichtflüchtiges computerlesbares Medium, das Anweisungen speichert, die, wenn sie von dem mindestens einen Prozessor ausgeführt werden, bewirken, dass das Computersystem: Daten erhält, die eine Vielzahl von Bildern beschreiben, wobei jedes Bild zumindest einen Teil des geografischen Bereichs darstellt und jedes Bild zu einem anderen Zeitpunkt aufgenommen wurde; Zumindest eine Teilmenge der Vielzahl von Bildern analysiert, um ein Auftreten von einer oder mehreren Änderungen zu bestimmen, die mit dem geografischen Bereich assoziiert sind; Einen Änderungsgrad bestimmt, der mit dem geografischen Bereich assoziiert ist, basierend zumindest teilweise auf dem Auftreten von einer oder mehreren Änderungen, die mit dem geografischen Bereich assoziiert sind; und Einen Steuerbefehl an ein Bilderfassungssystem bereitstellt, um eine Erfassung von Bilddaten, die dem geografischen Bereich zugeordnet sind, zumindest teilweise auf basierend auf dem Änderungsgrad anzupassen.
Computersystem nach Anspruch 16, wobei die Anweisungen zum Analysieren der Teilmenge der Vielzahl von Bildern zur Bestimmung des Auftretens von einer oder mehreren mit dem geografischen Bereich assoziierten Änderungen das System veranlassen: Eine erste Vielzahl von Zellen zu identifizieren, die einem ersten Bild der Vielzahl von Bildern zugeordnet sind, und eine zweite Vielzahl von Zellen, die einem zweiten Bild der Vielzahl von Bildern zugeordnet sind; Eine erste Zelle der ersten Vielzahl von Zellen und einer zweiten Zelle der zweiten Vielzahl von Zellen auszuwählen, wobei sowohl die erste Zelle als auch die zweite Zelle mit einer Teilregion des geografischen Bereichs assoziiert sind; Daten in ein maschinell gelerntes binäres Klassifikatormodell einzugeben, die die erste Zelle und die zweite Zelle beschreiben, um ein Auftreten einer Änderung zu identifizieren, die mit der Teilregion des geografischen Bereichs assoziiert ist; und Eine erste Ausgabe von dem binären Klassifikatormodell zu empfangen, wobei die Ausgabe das Auftreten der Änderung beschreibt, die mit der Teilregion des geografischen Bereichs assoziiert ist.
Computersystem nach einem der Ansprüche 16 bis 17, wobei die Vielzahl von Bildern durch mindestens eine von einer Luftplattform und einer Straßenebenenplattform erfasst wird, und wobei die Anweisungen zur Bereitstellung des Steuerbefehls an das Bilderfassungssystem zur Anpassung der Erfassung von Bilddaten, die mit dem geografischen Bereich assoziiert sind, das System veranlassen: Ein Erfassungsmuster anzupassen, das mindestens einer der Luftplattform und der Straßenebenenplattform zugeordnet ist.
Computersystem nach einem der Ansprüche 16 bis 18, wobei das System weiter veranlasst wird: Standortdaten zu erhalten, die einer Vielzahl von Benutzervorrichtungen zugeordnet sind; und Eine mit dem geografischen Bereich assoziierte Wichtigkeitsstufe zu bestimmen, zumindest teilweise basierend auf den Standortdaten.
Ein oder mehrere physische, nichtflüchtige computerlesbare Speichermedien, die computerlesbare Anweisungen speichern, die, wenn sie von einem oder mehreren Prozessoren ausgeführt werden, dafür sorgen, dass der eine oder die mehreren Prozessoren ein Verfahren nach einem der Ansprüche 1 bis 15 ausführen.