Convirtiendo mapas antiguos en modelos digitales 3D de barrios perdidos

andres corselli

Imagínese ponerse un visor de realidad virtual y pasear por el barrio desaparecido en el que creció. Ahora esa es una posibilidad muy real, ya que los investigadores han desarrollado un método para crear modelos digitales 3D de vecindarios históricos utilizando aprendizaje automático y mapas históricos de Sanborn Fire Insurance.

"La historia aquí es que ahora tenemos la capacidad de desbloquear la gran cantidad de datos incluidos en estos atlas de incendios de Sanborn que se crearon para unas 12.000 ciudades y pueblos en los Estados Unidos", dijo Harvey Miller, coautor del estudio y profesor de geografía. en la Universidad Estatal de Ohio. “Permite un enfoque completamente nuevo para la investigación histórica urbana que nunca podríamos haber imaginado antes del aprendizaje automático. Es un punto de inflexión”.

El coautor del estudio, Yue Lin, estudiante de doctorado en geografía en OSU, desarrolló herramientas de aprendizaje automático que pueden extraer detalles sobre edificios individuales de los mapas, incluidas sus ubicaciones y huellas, número de pisos, materiales de construcción y uso principal.

Los investigadores probaron su técnica de aprendizaje automático en dos vecindarios adyacentes en el lado este cercano de Columbus, Ohio, que fueron destruidos en gran parte en la década de 1960 para dar paso a la construcción de la I-70. Las técnicas de aprendizaje automático permitieron extraer los datos de los mapas y crear modelos digitales.

La comparación de los datos de los mapas de Sanborn con los actuales mostró que se demolieron un total de 380 edificios en los dos vecindarios de la carretera, incluidas 286 casas, 86 garajes, cinco apartamentos y tres tiendas. El análisis de los resultados mostró que el modelo de aprendizaje automático tenía aproximadamente un 90 por ciento de precisión al recrear la información contenida en los mapas.

"Queremos llegar al punto en este proyecto en el que podamos darle a la gente cascos de realidad virtual y dejarles caminar por la calle como era en 1960 o 1940 o tal vez incluso en 1881", dijo Miller.

Aquí hay una entrevista exclusiva de Tech Briefs, editada para mayor claridad y extensión, con Miller y Lin.

Resúmenes técnicos: ¿Puedes explicar en términos sencillos cómo funciona la tecnología?

Molinero : Lo que hacemos es aplicar algoritmos a los datos. En este caso, utilizamos algo llamado máquinas de vectores de soporte para una parte y también Mask R-CNN. La forma en que generalmente funciona es que etiquetamos manualmente las respuestas correctas en los mapas y luego las alimentamos al algoritmo de aprendizaje automático para que aprenda por prueba y error, mediante retroalimentación positiva y negativa. Cuando finalmente aprenda a detectar la información, podremos aplicarla a los datos y luego aplicarla al resto de los mapas.

lin : En los mapas de muestra tenemos múltiples tipos de información. El primer tipo de información es el esquema del edificio. Si miras los mapas de muestra, cada edificio tiene sus propios contornos y sus propias formas, y también tiene sus propios colores. Los colores representan los materiales de los edificios. Utilizamos un modelo de máquina de vectores de soporte para clasificar cada píxel según los colores, de modo que podamos distinguir entre los fondos y los edificios porque tienen colores distintos. Así es como detectamos los contornos y formas del edificio para crear una visualización.

Hay otro tipo de información, como los usos del edificio; por ejemplo, ya sea una tienda o un edificio residencial. Y en mapas de muestra, también podremos conocer el almacenamiento de cada edificio porque todos están etiquetados en los edificios.

En este sentido, tenemos como tendencia un modelo de detección llamado Mask R-CNN. Combinando estas diferentes piezas de información es como creamos la visualización 3D, basada en esos mapas históricos y utilizando el aprendizaje automático.

Resúmenes técnicos: ¿Cuáles fueron los mayores desafíos técnicos que enfrentó a lo largo de su trabajo?

lin : La parte de georreferenciación. Recopilamos mapas de muestra de la Biblioteca del Congreso y, para esos mapas, aunque están digitalizados, escaneados y coloreados, no están georreferenciados. Entonces, nos tomó algo de tiempo descubrir cómo georreferenciar automáticamente esos mapas; ese fue un desafío realmente grande; son mapas históricos y muchas veces no pudimos encontrar muchos puntos de control para hacer la georreferenciación.

Molinero : Los puntos de control son intersecciones de calles actuales que existen en el mapa de Sanborn. Si la intersección de calles actual existe, conocemos su ubicación. Si pudiéramos encontrarlo y relacionarlo con el mapa de Sanborn, la misma intersección, así es como hacemos la georreferenciación.

lin : A menudo encontrarás algunas calles e intersecciones en los mapas históricos que no existen hoy. Entonces, para algunos vecindarios en los que estamos trabajando es muy difícil hacer coincidir los mapas con las ubicaciones de la Tierra. Ese es uno de los mayores desafíos que encontramos en este proceso.

Actualmente estamos intentando descubrir cómo hacer que este proceso sea más automático. Existen algunos recursos excelentes. Por ejemplo, hay investigadores que desarrollan algunas plataformas colaborativas que proporcionan un mapa de referencia dual para nuestras aplicaciones, y también existen algunas técnicas de aprendizaje automático que nos permiten hacer esto automáticamente. Entonces, esas pueden ser algunas de las futuras direcciones de investigación para nuestros proyectos.

Otro gran desafío es que ahora estamos trabajando con los datos de otro vecindario y en sus mapas de muestra hay muchos edificios industriales. Para los edificios industriales hay mucho texto descriptivo sobre los edificios. Estamos intentando desarrollar algunos métodos para extraer los textos de los edificios. Pero eso es un poco desafiante porque esos textos no están estandarizados y hay muchas abreviaturas involucradas. Entonces, desarrollar un modelo de detección de texto es un poco desafiante, pero estamos trabajando en eso también.

Resúmenes técnicos : Harvey, se le cita diciendo: "Queremos llegar al punto en este proyecto en el que podamos darle a la gente cascos de realidad virtual y dejarles caminar por la calle como era en 1960 o 1940 o tal vez incluso en 1881". ¿Qué tan lejos crees que estamos de eso?

Molinero : Yo diría que un par de años, tal vez un año. En eso estamos trabajando ahora. Tenemos una nueva fase del proyecto en la que intentamos reconstruir una calle comercial de negocios de propiedad de negros en Columbus de principios de la década de 1950. Queremos desarrollar texturas de construcción realistas. Lo que significan las texturas de los edificios es cómo se veía el exterior de los edificios. En este momento, hemos desarrollado un conjunto de reglas basadas en el estilo arquitectónico, el vecindario, y creamos edificios que representan cómo se verían. Queremos hacerlo mucho más realista a la vista.

Hay un par de cosas en las que estamos trabajando ahora mismo para lograrlo. Una forma es que utilizamos un sistema basado en reglas en el que estudiamos dibujos arquitectónicos y elaboramos reglas sobre cómo se ven las fachadas de estos edificios.

La otra técnica es que utilizamos imágenes aéreas e imágenes de vistas de calles cuando existen, ya sea para imágenes de vistas de calles históricas o tal vez de Google Street View, ya que algunos edificios todavía existen, y tomamos las imágenes y las verificamos en el edificio.

Una forma más rápida de diseñar cohetes: aprendizaje automático científico

Foro ejecutivo: aprendizaje automático e inteligencia artificial

Inteligencia artificial para construir máquinas blandas

Y luego hay un enfoque híbrido en el que en algunos edificios podemos usar imágenes como fotografías aéreas o imágenes de vistas de la calle y hacer el techo directamente a partir de la imagen, pero luego construimos el costado del edificio usando reglas. Será un enfoque casi edificio por edificio basado únicamente en la información que conocemos sobre el edificio. Si tenemos buenas imágenes, podemos hacerlo simplemente proyectando la imagen. Si no, tenemos que idear reglas o algún tipo de simulación.

La otra cosa en la que estamos trabajando para hacerlo realista es trabajar con nuestro programa de ingeniería civil y tomar imágenes aéreas (algunas de ellas datan de los años 50 y se usaron con fines cartográficos) y las estamos usando para crear imágenes realistas. Paisajes en 3D como hierba, árboles, arbustos y calles. Y eso también se proyectará en la imagen. Técnicamente sabemos cómo hacer esto.

El gran desafío al que nos enfrentamos es encontrar un buen flujo de trabajo para realizar la investigación de archivos y descubrir dónde existen estos datos. Son muchas las áreas diferentes que existen, además de las imágenes aéreas; Incluso en aquel entonces, los agentes inmobiliarios utilizaban fotografías para evaluar los edificios, o si estaban vendiendo el edificio, tomaban una fotografía y la guardaban en una ficha. Parte de eso ha sido digitalizado. Hemos estado accediendo a eso para buscar fotografías antiguas de los edificios y fotografías antiguas del vecindario. Pero estoy seguro de que podemos hacerlo; es sólo cuestión de desarrollar el mejor flujo de trabajo posible y que pueda generalizarse a otras ciudades.

Resúmenes técnicos: ¿Hay algo más que a alguno de ustedes dos le gustaría agregar?

Molinero : Lo que hemos hecho aquí es un verdadero avance, capturar edificios estándar, comerciales y residenciales de estos atlas de Sanborn. Uno de nuestros grandes desafíos es apostar por edificios no estándar, como edificios industriales que tienen descripciones textuales. Eso será mucho más desafiante.

La otra cosa en la que estamos trabajando es extraer los datos de la dirección de la calle del mapa para que podamos obtener la dirección de la calle de cada edificio y luego vincularla a cosas como guías telefónicas históricas, directorios de ciudades y otros registros. Esto es un poco desafiante porque hay que encontrar la relación espacial entre el nombre de la calle, la dirección de la calle y los edificios. Y hay muchos casos, como uno que vimos esta mañana que era un proyecto de vivienda pública con una dirección para muchos, muchos edificios y los datos están sellados.

Hay desafíos como ese; pero tenemos un buen equipo y lo estamos descubriendo y seguiremos adelante. Una de las principales razones para hacer esto es que está motivado por parte del daño causado por la línea roja, la construcción de autopistas urbanas y la renovación urbana en algunos vecindarios de Columbus y, en realidad, en muchas ciudades estadounidenses.

Queremos darle a la gente una idea de lo que existía antes de que estas cosas sucedieran en estos vecindarios, no solo para apreciar lo que se hizo deliberadamente en estos vecindarios, sino también para pensar en formas de avanzar para tratar de reducir o mitigar algunas de las el daño causado por estas malas prácticas a finales del siglo XX.