오래된 지도를 잃어버린 동네의 3D 디지털 모델로 전환

앤드류 코셀리

VR 헤드셋을 착용하고 당신이 자랐던 오래전에 사라진 동네를 산책하는 것을 상상해 보세요. 연구자들이 기계 학습과 역사적인 Sanborn 화재 보험 지도를 사용하여 역사적인 동네의 3D 디지털 모델을 생성하는 방법을 개발함에 따라 이는 이제 매우 현실적으로 가능해졌습니다.

연구 공동 저자이자 지리학 교수인 Harvey Miller는 "여기서 우리는 이제 미국의 약 12,000개 도시와 마을을 위해 만들어진 Sanborn 화재 지도에 내장된 풍부한 데이터를 잠금 해제할 수 있다는 것입니다."라고 말했습니다. 오하이오 주립대학교에서. “이를 통해 기계 학습 이전에는 상상할 수 없었던 도시 역사 연구에 대한 완전히 새로운 접근 방식이 가능해졌습니다. 이는 게임 체인저입니다.”

OSU의 지리학 박사 과정 공동 저자인 Yue Lin은 지도에서 위치, 발자국, 층 수, 건축 자재, 주요 용도 등 개별 건물에 대한 세부 정보를 추출할 수 있는 기계 학습 도구를 개발했습니다.

연구원들은 I-70 건설을 위해 1960년대에 대부분 파괴된 오하이오주 콜럼버스의 동쪽 근처에 있는 인접한 두 지역에서 기계 학습 기술을 테스트했습니다. 기계 학습 기술을 통해 지도에서 데이터를 추출하고 디지털 모델을 만들 수 있었습니다.

Sanborn 지도의 데이터를 현재와 비교해 보면 고속도로 건설 대상 지역 두 곳에서 주택 286개, 차고 86개, 아파트 5개, 상점 3개를 포함해 총 380개의 건물이 철거된 것으로 나타났습니다. 결과를 분석한 결과, 머신러닝 모델이 지도에 포함된 정보를 재현하는 데 약 90% 정확도가 있는 것으로 나타났습니다.

Miller는 "우리는 이 프로젝트를 통해 사람들에게 가상 현실 헤드셋을 제공하고 1960년이나 1940년, 심지어 1881년처럼 거리를 걸을 수 있는 지점에 도달하고 싶습니다"라고 말했습니다.

다음은 Miller와 Lin이 진행한 독점 Tech Briefs 인터뷰입니다. 명확성과 길이를 위해 편집되었습니다.

기술 개요: 기술이 어떻게 작동하는지 간단하게 설명해주실 수 있나요?

밀러 : 우리가 하는 일은 데이터에 알고리즘을 적용하는 것입니다. 이 경우에는 일부에 서포트 벡터 머신(Support Vector Machine)이라는 것을 사용하고 Mask R-CNN도 사용합니다. 일반적으로 작동하는 방식은 지도에 정답을 직접 표시한 다음 이를 기계 학습 알고리즘에 공급하여 시행착오, 긍정적인 피드백과 부정적인 피드백을 통해 학습하도록 하는 것입니다. 결국 정보를 감지하는 방법을 학습하면 이를 데이터에 적용한 다음 나머지 지도에 적용할 수 있습니다.

린 : 샘플 지도에는 다양한 유형의 정보가 있습니다. 첫 번째 유형의 정보는 건물 개요입니다. 샘플 지도를 보면 각 건물마다 고유한 윤곽선과 모양이 있고 고유한 색상도 있습니다. 색상은 건물의 재료를 나타냅니다. 우리는 지원 벡터 머신의 모델을 사용하여 색상을 기반으로 각 픽셀을 분류하므로 배경과 건물이 서로 다른 색상을 갖고 있기 때문에 이를 구별할 수 있습니다. 이것이 바로 건물 윤곽과 모양을 감지하여 시각화를 만드는 방법입니다.

건물 활용도와 같은 다른 유형의 정보도 있습니다. 예를 들어, 상점이든 주거용 건물이든 상관없습니다. 그리고 샘플 지도에는 건물에 모두 라벨이 붙어 있기 때문에 각 건물의 창고도 알 수 있을 것입니다.

이와 관련하여 우리는 Mask R-CNN이라는 탐지 모델을 동향화합니다. 이러한 다양한 정보를 결합하는 것이 과거 지도를 기반으로 하고 기계 학습을 사용하여 3D 시각화를 만드는 방법입니다.

기술 개요: 작업 전반에 걸쳐 직면했던 가장 큰 기술적인 어려움은 무엇이었나요?

린 : 지리참조 부분. 우리는 의회 도서관에서 샘플 지도를 수집했는데, 해당 지도의 경우 디지털화, 스캔, 색상화되었지만 위치정보는 참조되지 않았습니다. 따라서 해당 지도를 자동으로 지리참조하는 방법을 알아내는 데 시간이 좀 걸렸습니다. 이는 정말 큰 도전이었습니다. 그것들은 역사적인 지도이고 종종 지리 참조를 수행하기 위한 많은 기준점을 찾을 수 없었습니다.