Hoi,
Ik ben al een tijdje bezig om individuele parkeerplekken te mappen op parkeerplaatsen en ik vroeg me af of we hier niet beter Machine Learning voor kunnen gebruiken. Dit omdat het toch vrij voorspelbaar werk is (Zie de parkeerplaats aan de noordkant van Schiphol). En ook omdat we dus het nodige trainingsmateriaal hebben om de ML mee te trainen. Ik heb verder geen ervaring met het maken van JOSM plug-ins of met ML, maar ik heb recentelijk wel kennis gemaakt met YOLO en zoiets zou je hier voor moeten kunnen gebruiken (YOLO heeft een python API en JOSN is natuurlijk in Java gemaakt, maar ik geloof dat OpenCV ook bruikbaar hier voor is).
Heeft iemand zin in om hier naar te kijken en uitproberen of dit Ć¼berhaupt mogelijk. Of andere ideeĆ«n of parkeerplekken makkelijker te maken.
Parkeerplaatsen komen in vele vormen en maten. Ik vrees dat dit toch iets te moeilijk is.
Verkeersborden en andere echte āobjectenā zijn gemakkelijk.
maar individuele parkeerplaatsen zijn moelijk volgens mij, ZEKER als er autoās op staan. Ik denk dat de foute marge zowiezo gigantisch zou zijn (dat je het uiteindelijk toch gewoon zelf manueel zou doen)
Ik denk dat het nuttiger is om bv alle parkeerplaats borden te detecteren en dan bij wijze van spreken āgefocustā manueel parkeerplaatsen mapt overal waar die borden gedetecteerd worden.
Als je zo specifiek bezig bent, probeer je dan ook aan te geven op de parkeervakken of deze bedoeld zijn voor invaliden of elektrisch laden? Hoe lang je met je blauwe kaart mag staan of dat het betaald parkeren is of niet?
Dat lijkt me vele malen nuttiger dan de individuele plekken die vooral taggen voor de renderer lijken omdat je een mooi plaatje wilt zien.
Hoe wil je omgaan met parkeerplekken onder of op gebouwen en parkeergarages?
Geen ervaring met ML, maar ik vraag me af of het niet eenvoudiger zou zijn om een josm plugin te hebben die een omtrek kan opdelen in x gelijke vakken, en meteen de juiste tags zet. Bestaat zoiets al?
Als ik kan zien wat voor parkeervak het is dan tag ik ze ook, maar dat lukt helaas niet altijd natuurlijk, vooral niet als er een auto opstaat. Daar is dus wel lokale kennis voor nodig. En voor gebouwen/parkeergarages zou ik echt niet weten hoe je dat oplost.
Al je je gebied beperkt kun je in JOSM gewoon filteren op parkeerplaatsen (nadat je ze gemapt hebt) om het totaal aantal te krijgen. Tellen is veel te veel werk.
Voor ML / object herkenning is het denk ik vooral handig om te detecteren waar bijvoorbeeld zebrapaden aanwezig zijn op de 7,5 cm beelden.
Meer als begeleiding, niet ter vervanging van het mappen an sich.
Geen idee hoe je dit met zebra paden goed zou aanpakken. Met individuele parkeerplaatsen net iets makkelijker lijkt mij omdat die zich moeten bevinden in een groot vlak parkeerplaats. dus je kunt veel gerichter zoeken.
Parkeerplaatsen hebben het probleem vaak niet leeg te zijn, waardoor er helemaal geen duidelijke demarcatie zichtbaar is.
De geparkeerde autoās meenemen in de training gaat er voor zorgen dat er veel te veel false-positives plaats gaan vinden.
Dit gaat dan ook alleen werken bij parkeerplaatsen die een duidelijk zichtbare lijn of onderbroken lijn hebben als scheiding zonder geparkeerde auto.
Kortom veel te veel variatie en te weinig duidelijke scheiding om dit betrouwbaar goed te krijgen op het kwaliteit die we wensen.
Zebrapaden hebben het voordeel dat ze consistent zijn en er vaker geen belemmering is.
Het enige is dat we alle afbeeldingen met een weg er door heen moeten draaien om vervolgens een nabewerking te scripten op basis van de ML resultaten.
Edit:
Ter indicatie, zelfs bij vooral lege parkeerplaatsen is het niet eenvoudig hier iets voor te schrijven wat bruikbaar gaat zijn voor OpenStreetMap.
Hier kun je bijvoorbeeld ook zien dat alleen de schaduw van een auto al voldoende is om de demarcatielijn volledig te laten verdwijnen.
