曾几何时，我们还会手拿纸质地图，折来折去的寻找方向，而如今，数字地图已成为大多数人的选择。而对于自动驾驶汽车来说，高精度数字地图同样不可或缺。

未来的地图需要提供的不仅仅是方向：人们希望轻松获取有关其所处位置的最新视觉信息；希望了解基础设施是否就位（如自行车道和自行车停放架，以方便地骑车驶向目的地）；而且出于安全原因，自动驾驶汽车需要360度全方位了解交通环境。

位于瑞典的初创公司Mapillary是NVIDIA初创加速计划的成员，致力于通过计算机视觉技术和社区协作来助力开发高精度的地图。该公司利用精确到街道级别的摄像头图像数据来构建可视化的世界环境，以改进地图、助力城市规划发展，并为汽车行业的进步做出贡献。

利用深度学习处理高精度图像

从印度卡纳塔克邦的300 家悦榕庄酒店的地图绘制，到迪斯尼乐园3D图像记录，Mapillary正在通过一张张图片将世界拼接在一起。该公司每天会从社区、非营利组织、公司和政府获得数十万的图像。

处理如此数量庞大的数据绝非易事。为此，Mapillary的团队使用一种名为“语义分割“（semantic segmentation）的深度学习技术，将图像分解为多个语义上有意义的部分，然后对其进行分类。Mapillary的地图数据提取方式包含“标准”和“高清”两类语义图像分割类型。

标准分割应用于Mapillary数据库中的每幅图像，目的是实现成本效益但允许损失一定程度的准确性。高清分割模型仅应用于需要高精确度的选定图像，但是提高精确度的要求必然意味着运行时间更长且内存需求更高。

Mapillary面临的挑战是经济高效地运行高清语义分割，为其客户提供尽可能详细的地图数据，同时保证始终能够处理越来越多流入其平台的图像。

该公司已经使用Amazon EC2 P2上的NVIDIA Tesla GPU加速器来进行生产，而将 NVIDIA TITAN Xp GPU用于训练其算法。最近，Mapillary通过Amazon Web Services EC2 P3实例对在Tesla V100 GPU上运行的TensorRT 3.0进行了基准测试。

结果高清分割的速度提高了27倍，同时内存需求降低了81%；标准分割速度提升了18倍，内存需求降低了74%。

Mapillary计算机视觉主管Yubin Kuang表示：“通过将优化的TensorRT与Tesla V100相结合，我们能够以和之前相同的处理成本，提高语义分割推理期间的图像分辨率，从而使用语义分割来恢复精致细节和更小的物体。”

技术改进使Mapillary可以更加经济高效地生成地图数据，从而帮助创建更出色、更详细且更智能的地图。

NVIDIA初创加速计划

NVIDIA初创加速计划涵盖2,000多家初创公司，Mapillary也是其中一员。虚拟加速器计划为初创公司提供技术、专业知识和营销支持。