古い地図を失われた近隣地域の 3D デジタル モデルに変える

アンドリュー・コルセリ

VR ヘッドセットを装着して、自分が育った遠い昔の近所を散歩しているところを想像してみてください。 研究者らが機械学習とサンボーン火災保険の歴史地図を使用して歴史的地区の 3D デジタル モデルを作成する方法を開発したため、これは現在非常に現実的な可能性です。

「ここでの話は、米国の約12,000の都市や町向けに作成されたサンボーン火災地図帳に埋め込まれた豊富なデータを解き放つことができるようになったということです」と研究共著者で地理学教授のハーベイ・ミラー氏は述べた。オハイオ州立大学で。 「これにより、機械学習以前には想像できなかった、都市の歴史研究に対する全く新しいアプローチが可能になります。 それはゲームチェンジャーだ。」

研究の共著者で、OSU の地理学博士課程の学生である Yue Lin 氏は、地図から個々の建物の位置と敷地面積、階数、建設資材、主な用途などの詳細を抽出できる機械学習ツールを開発しました。

研究者らは、オハイオ州コロンバスの近東側にある 2 つの隣接する地区で機械学習技術をテストしました。これらの地区は、州間高速道路 70 号線の建設のため、1960 年代に大部分が破壊されました。 機械学習技術により、地図からデータを抽出し、デジタル モデルを作成することができました。

サンボーンの地図データと今日のデータを比較すると、高速道路建設のために 2 つの地区で、住宅 286 軒、ガレージ 86 軒、アパート 5 軒、店舗 3 軒を含む合計 380 棟の建物が取り壊されたことがわかりました。 結果を分析したところ、機械学習モデルはマップに含まれる情報を約 90% 正確に再現したことがわかりました。

「私たちはこのプロジェクトで、人々に仮想現実ヘッドセットを与えて、1960 年や 1940 年、あるいはおそらく 1881 年と同じように街を歩かせることができるところまで到達したいと考えています」とミラー氏は語った。

これは、Miller と Lin による独占的な Tech Briefs インタビューです (明確さと長さのために編集されています)。

技術概要: このテクノロジーがどのように機能するかを簡単に説明してもらえますか?

ミラー : 私たちがやっていることは、データにアルゴリズムを適用することです。 この場合、サポートベクターマシンと呼ばれるものを一部に使用し、マスク R-CNN も使用します。 一般的な仕組みとしては、マップ上の正解に手作業でラベルを付け、それを機械学習アルゴリズムに供給して、試行錯誤や正負のフィードバックによって学習させます。 最終的に情報を検出する方法を学習すると、それをデータに適用し、マップの残りの部分に適用できるようになります。

リン : サンプル マップには複数の種類の情報があります。 1 つ目の情報は建物の概要です。 サンプルマップを見ると、それぞれの建物には独自の輪郭と独自の形状があり、独自の色もあります。 色は建物の素材を表しています。 サポート ベクター マシンのモデルのトレンドを作成して、色に基づいて各ピクセルを分類します。これにより、背景と建物は異なる色を持つため、それらを区別できるようになります。 このようにして建物の輪郭と形状を検出し、ビジュアライゼーションを作成します。

建物の利用状況など、他の種類の情報もあります。 たとえば、店舗や住宅の建物などです。 また、サンプル マップでは、すべての建物にラベルが付けられているため、各建物の倉庫を知ることもできます。

これに関して、Mask R-CNN と呼ばれる検出モデルの傾向を分析します。 これらのさまざまな情報を組み合わせて、歴史的な地図に基づいて機械学習を使用して 3D ビジュアライゼーションを作成します。

技術概要: 仕事を通じて直面した最大の技術的課題は何ですか?

リン : 地理参照部分。 私たちは米国議会図書館からサンプル マップを収集しました。これらのマップはデジタル化、スキャン、カラー化されていますが、地理参照されていません。 そのため、これらの地図を自動的に地理参照する方法を理解するのに時間がかかりました。これは非常に大きな課題でした。 これらは歴史的な地図であり、地理参照を行うための多くのコントロール ポイントを見つけることができないことがよくありました。