机器视觉技术彻底改变了我们看待世界的方式。现在机器在任务搜索方面如面部识别和多种类型的物体识别等的性能优于人类。 这项技术目前正在应用到从安全系统到自动驾驶车辆等广泛的领域中。

    但是依然有些领域机器视觉技术还没有发挥巨大影响力，其中的一个就是分析地球卫星图像。

这令人感到意外，因为卫星图像数量众多，采取方式相对一致，并且挤满了各种数据。它们是机器理解的理想选择。然而，大多数卫星图像分析是由人类专家完成的，这些专家经过培训可以识别相对明显的事物，如道路，建筑物和土地使用方式。

    由于Facebook的研究人员，卫星图像公司DigitalGlobe以及麻省理工学院和其他大学的学术合作伙伴组织的DeepGlobe卫星挑战赛，目标是使用机器视觉技术来自动化卫星图像分析过程。比赛结果将于下个月公布。

    DeepGlobe的组织者邀请参赛者设计自动识别卫星图像中的三类信息：道路网络，建筑物和土地使用。因此，任务是将图像作为输入并产生以下输出中的一个：掩码显示道路网络; 一组代表建筑物的叠加多边形; 或者显示土地如何被使用的彩色地图 - 用于农业，城市生活，林业等等。

对于这三项任务中的每一项，研究人员都创建了一个注释图像数据库，供参赛者用于训练其机器视觉系统。 挑战者随后会根据他们的系统在测试数据库上的表现进行评估。

    数据集是全面的。用于道路识别的图像包括约9000张图像，地面分辨率为50厘米，在泰国，印度尼西亚和印度的总面积超过2,000平方公里。这些图像包括城市和农村地区，铺有未铺砌的道路。训练数据集还包括每个图像的蒙版，显示该地区的道路网络。
    建筑物数据集包含24,000多幅图像，每幅图像都显示了拉斯维加斯，巴黎，喀土穆或上海的200米×200米的土地面积。训练数据集中描绘了超过300,000个建筑物，每个建筑物都由人类专家标记为叠加多边形。
    土地利用数据集包含超过1,000个具有50厘米分辨率的RGB（或真彩色）图像，并配有显示由专家确定的土地使用的蒙版。使用标志包括城市，农业，牧场，森林，水，贫瘠和未知（即云层覆盖）。
    DeepGlobe挑战赛组织者已经开发了一系列用于衡量机器生成数据的准确性的算法，可用于评估每个参赛者。其中有很多：大约有950个团队已经注册参加。获奖者将于6月18日在盐湖城举行的一次会议上宣布。
    主要好处可能是道路网络尚未映射的偏远地区的人们。挑战的提案者之一是Uber，它可能能够使用这种类型的数据来扩展其服务。当自然灾害发生并且应急服务必须迅速到达受影响地区时，自动卫星图像分析也应该有用。此外，如果数据以低成本广泛提供，它可能有助于气候变化研究和城市规划。
    这应该只是开始。这种分析无疑是对我们周围世界更详细理解的踏脚石。看到参与者的表现如何，这将会很有趣。