部署机器学习以辅助数字人道主义：提升 OpenStreetMap 中图像标注的效率
计算机视觉与模式识别
2020-09-18 v1 人机交互
图像与视频处理
摘要
定位发展中国家农村地区的人口已引起人道主义制图项目的关注，因为这对规划影响脆弱地区的行动十分重要。近期的努力将这一问题作为航拍图像中建筑物的检测来处理。然而，OpenStreetMap (OSM) 等开放制图服务中农村建筑标注数据的质量与数量不足以训练用于此类检测的精确模型。尽管这些方法有潜力辅助更新农村建筑信息，但其精度尚不足以自动更新农村建筑地图。在本文中，我们探索了一种人机交互方法，并提出了一种交互式方法来支持并优化 OSM 中志愿者的工作。用户被要求在多次迭代中验证/修正所选图块的标注，从而利用新标注数据改进模型。使用模拟与真实用户标注修正的实验结果表明，所提方法大幅减少了 OSM 志愿者需要验证/修正的数据量。所提方法可使人道主义制图项目受益，不仅使标注过程更高效，也提升了志愿者的参与度。
引用
@article{arxiv.2009.08188,
title = {Deploying machine learning to assist digital humanitarians: making image annotation in OpenStreetMap more efficient},
author = {John E. Vargas-Muñoz and Devis Tuia and Alexandre X. Falcão},
journal= {arXiv preprint arXiv:2009.08188},
year = {2020}
}