Как на яндекс карту добавить фото: «Как добавить фото на Яндекс.Карты?» — Яндекс Кью | Дропшиппинг

Содержание

«Как добавить фото на Яндекс.Карты?» — Яндекс Кью

«Как фото загрузить на Яндекс.

Карты?» — Яндекс Кью

спутниковых карт mapquest — Googlesuche

AlleMapsBilderBücherVideosNewsShopping

suchoptionen

MapQuest

www.mapquest.com

Официальный веб-сайт MapQuest, находите маршруты движения и карты дорог. Найдите близлежащие предприятия, рестораны и отели. Исследовать!

Как переключиться на просмотр со спутника

Виртуальный тур Virtuo360 Google …

Маршруты

Спутниковые изображения для Android

Ähnliche Fragen

Как получить вид со спутника на MapQuest?

В чем разница между Google Maps и MapQuest?

Как найти направление между двумя точками?

Что случилось с оригинальным MapQuest?

Схема проезда — Карта | Спутниковые карты, Антенна, Фото города — Pinterest

www. pinterest.com › Исследуйте › Путешествия

Официальный веб-сайт MapQuest, найдите маршруты проезда, карты, обновления трафика и дорожные условия. Найдите близлежащие предприятия, рестораны и отели. Исследовать!

MapQuest Open Aerial в Google Earth

ge-map-overlays.appspot.com › openstreetmap › aer…

MapQuest Open Aerial в Google Earth. Эта сетевая ссылка KML отображает наложение карты для MapQuest Open Aerial (http://open.mapquest.com/) в Google Earth.

MapQuest: Get Directions — Apps on Google Play

play.google.com › store › apps › details › id=com.m…

Bewertung 4,2

(64.007) · Kostenlos · Android

Доберитесь туда, куда вам нужно, с помощью приложения GPS-навигации MapQuest. Будь то голосовая навигация для пешеходных маршрутов, маршрутов движения или …

MapQuest: Get Directions – Apps bei Google Play

play. google.com › магазин › приложения › подробности › id=com.mapquest.android.ace

Bewertung 2,6

(63,917) · Kostenlos · Android

Доберитесь туда, куда вам нужно, с помощью приложения GPS-навигации MapQuest с пошаговой навигацией. Используете ли вы голосовую навигацию для пешеходных маршрутов или маршрутов движения или …

MapQuest GPS Navigation & Maps 4+ — App Store

apps.apple.com › app › mapquest-gps-navigation-m…

Доберитесь туда, куда вам нужно, с приложением GPS-навигации MapQuest с пошаговой навигацией. Будь то голосовая навигация для пеших прогулок или проезда или …

Где находится MapQuest? — Карта Locus

www.locusmap.app › Блог

Карты MapQuest больше не входят в предложение Locus. … Однако не так легко обойтись без спутниковой карты MapQuest, которая была в портфолио Locus во многих …

Mapquest Maps Downloader — Allmapsoft

www. allmapsoft.com › mapquest

30.03.2021 · Может загружать маленькие плитки и сохранять их на жесткий диск, включая карты нормалей, спутниковые карты. После загрузки вы можете просмотреть …

Ähnlichesuchanfragen

Google Map

Google Earth

google maps — deutsch

Routenplaner Maps

MapQuest Routenplaner 90 Satellite 0 30003

0003

MapQuest API

Как превратить спутниковые снимки в карты. Компьютерное зрение в Яндексе / Хабр IT News

Одним из основных источников данных для сервиса Яндекс.Карты являются спутниковые снимки. Для удобства работы с картой объекты изображаются на изображениях полигонами: леса, водоемы, улицы, дома и т. д. Планировкой обычно занимаются картографы. Мы решили им помочь и научить компьютер складывать полигоны домов без участия людей.

За операции с изображениями отвечает IT-сфера, которая называется компьютерным зрением. Последние несколько лет большинство задач в этой области успешно решаются с помощью нейронных сетей. Сегодня мы расскажем о нашем опыте использования нейросетей в картировании читателям Хабра.

В первую очередь обучим нейронную сетку, которая будет заниматься семантической сегментацией, то есть определять, имеет ли отношение каждая точка на спутниковом снимке к дому. Почему семантическая сегментация, а не просто обнаружение объектов? Когда задача обнаружения решена, на выходе получаем набор прямоугольников, причем конкретных: две стороны вертикальные, две горизонтальные. Дома дома обычно повернуты относительно осей изображения, а в некоторых постройках встречается еще и сложная форма.

Задача семантической сегментации в настоящее время решается различными сетями (FCN, SegNet, UNet и др.). Нам нужно только выбрать, какой из них подходит нам лучше всего.

Получив маску из спутникового снимка, выделим достаточно большие скопления точек, принадлежащих домам, соберем их в связные области и представим границы областей в векторном виде в виде полигонов.

Понятно, что маска не будет абсолютно точной, а значит соседние дома могут слипнуться в одну связную область. Чтобы справиться с этой проблемой, мы решили дополнительно обучить сеть. Она найдет на изображении ребра (границы домов) и разделит слипшиеся постройки.

Итак, вырисовалась такая схема:

Мы не стали полностью отказываться от сетей обнаружения и попробовали Mask R-CNN. Его плюс по сравнению с обычной сегментацией в том, что Mask R-CNN обнаруживает объекты и генерирует маску, так что вам не придется возиться с разделением общей маски на связные области. Но минус (как без него) в фиксированном разрешении маски каждого объекта, т.е. для больших домов со сложной окантовкой эта окантовка непременно будет упрощена.

Инструменты

Затем нужно было определиться с инструментами. Здесь все было достаточно очевидно: OpenCV лучше всего подходит для задач компьютерного зрения. Выбор нейронных сетей несколько шире. Мы остановились на Tensorflow. Его преимущества:

достаточно развитый набор готовых кубиков, из которых можно собрать свои сети;

Python API, удобный для быстрого создания сетевой структуры и для обучения;
Обученную сеть можно использовать в своей программе через C++ интерфейс (весьма убогий по сравнению с Python частью, но вполне достаточный для запуска готовых сетей).

Для обучения и других тяжелых расчетов планировалось использовать Nirvana — замечательную платформу Яндекса, о которой мы уже рассказывали.

Набор данных

Успех в работе с нейросетью на 80 процентов состоит из хорошего набора данных. Итак, для начала мы должны были собрать такой набор данных. В Яндексе есть огромное количество спутниковых снимков с уже отмеченными объектами. Кажется, все просто: достаточно выгрузить эти данные и собрать их в датасет. Однако есть один нюанс.

Обновление набора данных

Когда человек ищет дом на спутниковом снимке, первое, что он видит, это крыша.

Но высота домов разная, спутник может снимать один и тот же рельеф с разных ракурсов — и если мы на векторной карте нанесем полигон, соответствующий крыше, то нет гарантии, что крыша не уедет при обновлении картинки. Но фундамент вкопан в землю и, под каким бы углом вы его ни сняли, он всегда остается на одном месте. Именно поэтому дома на векторной Яндекс.Карте отмечены «на фундаментах». Это правильно, но для задачи сегментации изображений лучше научить сеть искать крыши: надежда на то, что сетка натренируется распознавать фундаменты, очень мала. Поэтому в датасете все должно быть отмечено на крышах. Итак, чтобы создать хороший набор данных, нам нужно научиться перемещать векторную разметку домов с фундамента на крыши.

Пробовали и не двигались, но качество было не очень, и это понятно: ракурсы съемки со спутника разные, высоты домов разные, в результате фундамент сместился в разные стороны и на разное расстояние от крыши на фото. Сеть теряется от такого разнообразия и в лучшем случае тренируется на чем-то среднем, в худшем — на чем-то непонятном.

И сеть для семантической сегментации выдает результат, который выглядит как-то приемлемо, но при поиске ребер качество резко падает.

Растровый подход

Поскольку мы забрались в область компьютерного зрения, первое, что мы попробовали, — это подход, относящийся к самому этому компьютерному зрению. Сначала векторную карту растрируют (полигоны домов рисуются белыми линиями на черном фоне), фильтр Собеля выделяет края на спутниковом снимке. А затем два изображения смещаются друг относительно друга, что максимизирует корреляцию между ними. Края после фильтра Собеля довольно шумные, поэтому, если применить этот подход к отдельному зданию, не всегда получается приемлемый результат. Однако метод хорошо работает на участках со зданиями одинаковой высоты: если искать смещение сразу на большом участке изображения, результат будет более стабильным.

«Геометрический» подход

Если территория застроена не однотипными, а различными домами, предыдущий способ не подойдет. К счастью, иногда мы знаем высоту зданий на векторной карте Яндекса и положение спутника во время съемки. Таким образом, мы можем воспользоваться школьными знаниями по геометрии и посчитать, куда и как далеко сдвинется крыша относительно фундамента. Этот метод улучшил набор данных в районах с многоэтажной застройкой.

«Ручной» подход

Самый трудоемкий способ: засучить рукава, расчехлить мышь, пялиться в монитор и вручную перемещать векторную разметку домов с фундаментов на крыши. Техника приносит просто потрясающий по качеству результат, но использовать ее массово не рекомендуется: разработчики, занимающиеся такими задачами, быстро впадают в апатию и теряют интерес к жизни.

Нейронная сеть

В итоге мы получили достаточно спутниковых снимков, хорошо различимых на крышах. Так что есть шанс натренировать нейросеть (пока, правда, не на сегментацию, а на улучшение компоновки других спутниковых снимков). И мы сделали это.

Входными данными для сверточной нейронной сети были спутниковые снимки и растровая разметка смещения. На выходе мы получили двумерный вектор: вертикальные и горизонтальные смещения.

С помощью нейросети мы нашли необходимое смещение, что позволило добиться хороших результатов на зданиях, не имеющих высоты. В результате мы значительно сократили исправление разметки вручную.

Разные территории — разные дома

На Яндекс.Картах много интересных территорий и государств. Но даже в России дома чрезвычайно разнообразны, что сказывается на том, как они выглядят на спутниковых снимках. Значит, нужно отражать разнообразие в. И изначально мы не очень понимали, как правильно обращаться со всем этим великолепием. Собрать огромный набор данных и затем обучить на нем одну сеть? Сделать свой набор данных для каждого (условного) типа здания и обучить отдельную сеть? Обучить определенную базовую сеть, а затем протестировать ее для конкретного типа здания?

Опытным путем мы выяснили, что:

Несомненно, необходимо расширить данные для разных типов зданий, на которых планируется использовать инструмент. Сеть, обученная на одном типе, способна выделять здания другого типа, хотя и очень плохо.
Лучше обучать одну большую сеть на всем наборе данных. Достаточно хорошо обобщен на разные территории. Если тренировать отдельные сети для каждого типа разработки, качество либо останется прежним, либо незначительно увеличится. Так что вводить разные сети для разных территорий бессмысленно. Кроме того, для этого требуется больше данных и дополнительный классификатор типа разработки.
Если вы используете старые сети, когда к данным добавляются новые территории, сети обучаются намного быстрее. Дообучение старых сетей на расширенных данных приводит примерно к тому же результату, что и обучение сети с нуля, но занимает гораздо меньше времени.

Варианты решения

Семантическая сегментация

Семантическая сегментация — достаточно хорошо изученная задача. После появления статьи Fully Convolutional Networks она в основном решается с помощью нейросетей. Осталось только выбрать сеть (мы рассматривали FCN, SegNet и UNet), подумать, нужны ли нам на выходе дополнительные трюки вроде CRF, и решить, как и какая функция ошибки будет обучаться.

В итоге остановились на U-Net-подобной архитектуре с обобщенной функцией Intersection Over Union как функцией ошибки. Для обучения спутниковые снимки и соответствующая разметка (разумеется, растеризованная) разрезались на квадраты и собирались в наборы данных. Получилось очень красиво, а иногда и просто отлично.

В районах с одиночной застройкой достаточно было семантической сегментации, чтобы перейти к следующему этапу — векторизации. Там, где застройка плотная, дома иногда склеиваются в единое целое. Пришлось разлучить их.

Обнаружение края

Чтобы справиться с этой задачей, вы можете найти края на изображении. Для обнаружения ребер мы тоже решили обучить сеть (алгоритмы поиска ребер, не использующие нейронные сети, явно ушли в прошлое). Мы обучили сеть типа HED, которая описана в Holistically-Nested Edge Detection. В исходной статье сеть обучалась на наборе данных BSDS-500, в котором на изображениях отмечены все ребра. Обученная сеть находит все четко очерченные ребра: границы домов, дорог, озер и т. д. Этого достаточно, чтобы разделить близлежащие здания. Но мы решили пойти дальше и использовать для обучения тот же набор данных, что и для семантической сегментации, только при растеризации не закрашивать полигоны зданий целиком, а рисовать только их границы.

Результат оказался настолько потрясающе красивым, что мы решили векторизовать здания прямо по краям, полученным из сети. И это было полностью успешным.

Обнаружение вершин

Поскольку HED-сеть давала отличные результаты на ребрах, мы решили обучить ее находить вершины. Фактически у нас есть сеть с общими весами на сверточных слоях. У нее было два выхода одновременно: для ребер и для вершин. В итоге мы сделали еще один вариант векторизации зданий, и в некоторых случаях он показал вполне вменяемые результаты.

Маска R-CNN

Маска R-CNN является относительно новым расширением сетей Faster R-CNN. Маска R-CNN ищет объекты и выделяет маску для каждого из них. В итоге для домов мы получим не только ограничивающие прямоугольники, но и уточненную структуру. Такой подход выгодно отличается от простого обнаружения (мы не знаем, как здание расположено внутри прямоугольника) и от обычного сегментирования (несколько домов могут слипнуться в один, и непонятно, как их разделить). С Mask R-CNN больше не нужно думать о дополнительных ухищрениях: достаточно векторизовать границу маски для каждого объекта и сразу получить результат. Есть и минус: размер маски для объекта всегда фиксирован, то есть для больших зданий точность маркировки пикселей будет низкой. Результат Mask R-CNN следующий:

Мы попробовали Mask R-CNN в последнюю очередь и убедились, что для одних типов разработки этот подход приносит пользу другим.

Векторизация

Векторизация прямоугольников

При всем современном архитектурном разнообразии дома на космических снимках по-прежнему чаще всего выглядят как прямоугольники. Тем более, что для масс территорий не нужно размечать сложные полигоны. Но я все же хочу отметить дома на карте. (Ну, например, садово-огородное товарищество: домов обычно много, вручную размечать не так важно, а вот размечать прямоугольники на карте — очень хорошо.) Поэтому первый подход к векторизации был предельно прост.

Возьмите растровую область, соответствующую «дому».
Найдите прямоугольник минимальной площади, который содержит эту область (например, так: OpenCV::minAreaRect). Проблема решена.

Понятно, что качество такого подхода далеко от идеала. Однако алгоритм достаточно прост и во многих случаях работает.

Векторизация полигонов

Если качество сегментации достаточно хорошее, можно более точно воссоздать контур дома. В большинстве зданий сложной формы углы в основном прямые, поэтому мы решили свести задачу к задаче построения многоугольника с ортогональными сторонами. Решая ее, мы хотим достичь сразу двух целей: найти максимально простой многоугольник и максимально точно повторить форму зданий. Эти цели противоречат друг другу, поэтому приходится вводить дополнительные условия: ограничивать минимальную длину стен, максимальное отклонение растра от площади и т. д.

Первый пришедший нам в голову алгоритм основан на построении проекции точек на прямые:

Найти контур растровой области, соответствующей одному дому.
Уменьшить количество точек в контуре, упростив его, например, с помощью алгоритма Дугласа-Пекера.
Найдите самую длинную сторону контура. Угол ее наклона будет определять угол всего будущего ортогонального многоугольника.
Построить проекцию из следующей точки контура на предыдущую сторону.
Вытяните сторону до точки выступа. Если расстояние от точки до ее проекции больше кратчайшей стены здания, добавляем полученный отрезок к контуру здания.
Повторяйте шаги 4 и 5, пока контур не будет замкнут.

Этот алгоритм предельно прост и быстро приносит результаты, но все же абрис здания иногда получается довольно зашумленным. Пытаясь справиться с этой проблемой, мы наткнулись на довольно интересное решение задачи, использующее квадратную сетку в пространстве для аппроксимации многоугольника. Вкратце алгоритм состоит из трех действий:

Построить квадратную сетку в пространстве с центром в нуле.
На узлах сетки, расположенных не дальше определенного расстояния от исходного контура, построить различные многоугольники.
Выберите многоугольник с минимальным количеством вершин.

Так как требуемый угол поворота сетки заранее не известен, приходится перебирать несколько значений, что плохо сказывается на производительности. Однако алгоритм позволяет добиться более визуально красивых результатов.

Улучшенная векторизация

Пока мы фактически работали с каждым домом отдельно. Когда первый этап пройден, можно работать со всей картинкой и улучшать результат. Для этого добавлен алгоритм постобработки набора полигонов. Мы использовали следующую эвристику:

Обычно стены соседних домов параллельны. Более того: чаще всего дома можно объединять в наборы, внутри которых все элементы выровнены.
Если на картинке уже отмечены улицы, то очень вероятно, что стороны многоугольников будут параллельны улицам.
Если полигоны пересекаются, то скорее всего имеет смысл передвинуть стены, чтобы пересечение исчезло.

В результате появился следующий алгоритм:

Кластер нашел дома по расстоянию между ними и углу поворота. Усредняем обороты зданий в каждом кластере. Повторяем до тех пор, пока положение зданий не перестанет меняться или пока дома не начнут слишком сильно отклоняться от исходного положения.
Выбираем дома у дорог, находим ту сторону, которая самая длинная и ближайшая к дороге.