數(shù)據(jù)對(duì)于地圖來說十分重要，沒有數(shù)據(jù)，就沒有地圖服務(wù)。用戶在使用地圖服務(wù)時(shí)，不太會(huì)想到數(shù)據(jù)就像冰山一樣，用戶可見只是最直接、最顯性的產(chǎn)品功能部分，而支撐顯性部分所需要的根基，往往更龐大。

地圖數(shù)據(jù)最先是從專業(yè)采集來的，采集工具就是車、自行車、飛機(jī)和衛(wèi)星影像等，近兩年有了利用智能硬件的眾包采集。采集之后，就是把數(shù)據(jù)更新的速度和精準(zhǔn)度都無限提升。因?yàn)榈孛嫔献兓炝耍脩粼絹碓揭蕾囉诘貓D應(yīng)用。所以數(shù)據(jù)更新的速度和數(shù)據(jù)的準(zhǔn)確度就是在乎用戶體驗(yàn)的地圖公司的第一要?jiǎng)?wù)了。而數(shù)據(jù)更新的第一步，就是交通標(biāo)志檢測(cè)。

本文將主要介紹機(jī)器學(xué)習(xí)技術(shù)在高德的地圖數(shù)據(jù)生產(chǎn)的具體應(yīng)用，這些技術(shù)方案和設(shè)計(jì)都已經(jīng)過驗(yàn)證，取得了不錯(cuò)的效果，并且為高德地圖數(shù)據(jù)的快速更新提供了基礎(chǔ)的技術(shù)保證。

2.“交通 標(biāo)志檢測(cè)”定義

交通標(biāo)志檢測(cè)，特指在普通街景圖像上通過自動(dòng)化手段檢測(cè)出各種類型的交通標(biāo)志，如限速、禁止掉頭、人行橫道和電子眼等。這些檢測(cè)結(jié)果將作為生產(chǎn)數(shù)據(jù)交付給地圖數(shù)據(jù)制作流程，最終演變?yōu)榉?wù)于廣大用戶的地圖數(shù)據(jù)。

3.難點(diǎn)與挑戰(zhàn)

交通標(biāo)志檢測(cè)的主要難點(diǎn)有樣式繁雜，且在拍攝過程中受自然環(huán)境的影響較大。此外，為滿足數(shù)據(jù)更新的速度和數(shù)據(jù)準(zhǔn)確度的要求，對(duì)于算法的性能要求也格外嚴(yán)格。

3.1 樣本形態(tài)差異大

交通標(biāo)志的形態(tài)差異主要體現(xiàn)在：

類型繁多：國標(biāo)定義的交通標(biāo)志有幾百個(gè)類型；

形狀多樣：常見交通標(biāo)志的形狀有三角形、圓形、方形、菱形、八邊形等，還有地面標(biāo)線、電子眼、信號(hào)燈，以及限高桿、柵欄等物理設(shè)施；

顏色分布廣泛：常見的有黃色、紅色、藍(lán)色、綠色、黑色、白色等；

圖像內(nèi)尺寸差異大：從幾百像素（如方牌、人行橫道等）到十幾像素（如電子眼）不均勻分布；

圖1 常見道路交通標(biāo)志（標(biāo)牌類）

3.2 自然場(chǎng)景下變化多端

在自然場(chǎng)景下，交通標(biāo)志存在樹木或車輛遮擋、磨損等情況；天氣、季節(jié)等也會(huì)影響到圖像采集過程中，造成圖像模糊、顏色失真等。

圖2 自然場(chǎng)景下拍攝的交通標(biāo)志

一些外形與交通標(biāo)志相似的標(biāo)牌，如商戶的招牌、交通公益廣告牌等，對(duì)算法的準(zhǔn)確率造成極大的挑戰(zhàn)。

圖3 類似交通標(biāo)志的噪聲示例

3.3 性能要求

準(zhǔn)召率：我們的應(yīng)用場(chǎng)景中對(duì)于召回率和準(zhǔn)確率的要求極高，任何未召回都會(huì)導(dǎo)致數(shù)據(jù)更新的延遲，而錯(cuò)召回則會(huì)影響作業(yè)效率與作業(yè)周期，最終對(duì)數(shù)據(jù)的快速更新造成影響；

吞吐量：高德每天需要處理上億張圖片，這就要求我們的算法不僅效果要好，處理速度也必須夠快，以免造成數(shù)據(jù)積壓，影響地圖數(shù)據(jù)的更新時(shí)效；

擴(kuò)展性：交通標(biāo)志的類型不是一成不變的（國標(biāo)會(huì)存在調(diào)整，不同國家和地區(qū)之間各有特色），因此需要算法環(huán)節(jié)具有非常好的擴(kuò)展性，能夠快速適應(yīng)新增的各種交通標(biāo)志類型；

4.高德地圖中的交通標(biāo)志檢測(cè)方案

當(dāng)前學(xué)術(shù)界針對(duì)目標(biāo)檢測(cè)任務(wù)常用的深度學(xué)習(xí)模型一般都采用End2End的方式進(jìn)行訓(xùn)練，以得到全局最優(yōu)的檢測(cè)效果。這個(gè)方案在使用時(shí)非常簡(jiǎn)單，只需要標(biāo)注好“幾百類物體的樣本”，然后放到深度學(xué)習(xí)的框架里進(jìn)行迭代訓(xùn)練，就可以獲得最終模型，主要可以分為Two Stage（FasterRCNN［1］）和One Stage（YOLO［2］，SSD［3］）兩大類。

但是在實(shí)際使用過程中，需要應(yīng)對(duì)如下問題：

樣本標(biāo)注成本高：所有訓(xùn)練樣本都需要進(jìn)行全類別標(biāo)注，當(dāng)有新增類別時(shí)需要將歷史訓(xùn)練樣本全量補(bǔ)標(biāo)，成本極高；

無法單類迭代：由于交通標(biāo)志出現(xiàn)的頻率和重要性不等，業(yè)務(wù)上對(duì)于部分類型（如電子眼、限速牌等）的準(zhǔn)召率要求更高。但是End2End的模型必須針對(duì)所有類型全量迭代，無法優(yōu)化單一類型，導(dǎo)致算法迭代和測(cè)試成本極高；

模型訓(xùn)練難度大：我們需要處理的交通標(biāo)志有幾百類，且各自出現(xiàn)頻率差異很大，使用單一目標(biāo)檢測(cè)模型完成如此巨大的分類任務(wù)，模型訓(xùn)練難度太大，收斂緩慢，召回率、準(zhǔn)確率上難以平衡；

結(jié)合通用目標(biāo)檢測(cè)技術(shù)的發(fā)展以及高德地圖對(duì)于交通標(biāo)志檢測(cè)的需要，我們最終選擇了Faster-RCNN作為基礎(chǔ)檢測(cè)框架，它的檢測(cè)效果更好（尤其是針對(duì)小目標(biāo)），獨(dú)立的RPN網(wǎng)路也可以滿足擴(kuò)展性要求。速度方面，我們也進(jìn)行了針對(duì)性的優(yōu)化調(diào)整。

在實(shí)際使用時(shí)，我們將檢測(cè)框架分為目標(biāo)檢測(cè)與精細(xì)分類兩階段：

圖4 交通標(biāo)志檢測(cè)的目標(biāo)檢測(cè)和精細(xì)分類階段

4.1 目標(biāo)檢測(cè)階段

目標(biāo)檢測(cè)階段的目的是通過Faster-RCNN在圖片中檢測(cè)所有的交通標(biāo)志，并進(jìn)行粗分類，要求極高的召回率和執(zhí)行速度。在實(shí)際使用時(shí)，我們采用了如下策略來提升算法能力：

效果方面：將檢測(cè)目標(biāo)根據(jù)外形特征分為N大類（如圓形、三角形、方形，以及高寬比異常的人行橫道等），再為每一類配置專屬的RPN網(wǎng)絡(luò)，各個(gè)RPN根據(jù)對(duì)應(yīng)的尺寸特性設(shè)計(jì)Anchor的Ratio和Scale；不同RPN根據(jù)需要使用不同層的特征圖，設(shè)計(jì)更有針對(duì)性；

效果方面，針對(duì)各個(gè)類型樣本分布不均勻問題，使用多種樣本增強(qiáng)手段，并在訓(xùn)練過程中使用OHEM等方式進(jìn)一步調(diào)整樣本分布；

效果方面，還借鑒了IoU-Net、Soft-NMS等方案，進(jìn)一步提升檢測(cè)效果；

性能方面，各個(gè)大類之間共享基礎(chǔ)卷積層，保證檢測(cè)時(shí)間不會(huì)過分增長；

擴(kuò)展性方面，對(duì)于新增類型，理想情況下只需要新增一個(gè)RPN網(wǎng)絡(luò)單獨(dú)迭代，可以不對(duì)其他類型的效果造成任何影響（如下圖，RPN1和RPN2完全獨(dú)立）；

圖5 多RPN設(shè)計(jì)示意圖

4.2 精細(xì)分類階段

精細(xì)分類階段的目的是對(duì)目標(biāo)檢測(cè)階段得到候選框進(jìn)行精細(xì)分類并濾除噪聲，保證極高的召回率和準(zhǔn)確率。在實(shí)際實(shí)現(xiàn)中，還使用以下策略來提升效果：

為每個(gè)大類配置獨(dú)立的精細(xì)分類網(wǎng)絡(luò)，互相之間不干擾；各個(gè)大類的迭代完全獨(dú)立和并行，可以多人并行研發(fā)，有效縮短研發(fā)周期；

針對(duì)各個(gè)大類的難易程度，選擇不同計(jì)算復(fù)雜度的網(wǎng)絡(luò)來完成精細(xì)分類和噪聲抑制，避免因?yàn)槟承╊愋蛷?fù)雜度過高產(chǎn)生效率瓶頸；

樣本方面，各個(gè)大類可以獨(dú)立收集樣本，可以針對(duì)特定類型進(jìn)行收集和標(biāo)注，訓(xùn)練和測(cè)試集合的構(gòu)建效率大幅提升；

如下圖，針對(duì)圓形標(biāo)牌，其差異比較明確，可以使用簡(jiǎn)單網(wǎng)絡(luò)；針對(duì)方牌，需要根據(jù)文字布局和內(nèi)容來區(qū)分正負(fù)樣本，分類難度大，因此必須使用較深的網(wǎng)絡(luò)：

圖6 精細(xì)分類模塊示意圖

由于同時(shí)使用了多個(gè)模型，上述方案會(huì)導(dǎo)致服務(wù)器的顯存占用顯著增加，對(duì)計(jì)算資源產(chǎn)生額外要求。針對(duì)該問題，我們針對(duì)深度學(xué)習(xí)框架進(jìn)行優(yōu)化，動(dòng)態(tài)分配并在各模型間共享臨時(shí)緩沖區(qū)，并裁剪框架的反向傳播功能，最終使得顯存占用降低50%以上。

5.效果與收益

上述方案已經(jīng)正式上線，準(zhǔn)召率都達(dá)到了生產(chǎn)作業(yè)的要求，日均圖片吞吐量在千萬以上。以下是部分效果圖（不同框代表不同檢測(cè)結(jié)果）：

圖7 交通標(biāo)志檢測(cè)效果圖

6.小結(jié)

交通標(biāo)志檢測(cè)技術(shù)已經(jīng)在高德地圖內(nèi)部得到應(yīng)用，有效提升了高德地圖的數(shù)據(jù)制作效率，達(dá)成地圖數(shù)據(jù)更新速度接近T+0（時(shí)間差為零）的目標(biāo)。

目前我們也在把機(jī)器學(xué)習(xí)技術(shù)用于數(shù)據(jù)的自動(dòng)化制作，進(jìn)一步減少現(xiàn)實(shí)世界和地圖數(shù)據(jù)之間的差異，做到“連接真實(shí)世界，讓出行更美好”。