Новые Предварительно обученные Модели Глубокого Обучения

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


С увеличением потребления изображений, чем когда-либо прежде, необходимость надежного использования искусственного интеллекта для автоматизации извлечения объектов усилилась. Предварительно обученные модели глубокого обучения устраняют необходимость в огромных объемах обучающих данных, огромных вычислительных ресурсах и обширных знаниях в области искусственного интеллекта (ИИ). Пользователи могут ускорить свои геопространственные рабочие процессы с помощью готовых к использованию моделей или точно настроить их под конкретную географию. Мы добавили несколько новых моделей в нашу растущую коллекцию Living Atlas, сделав глубокое обучение более доступным, чем когда-либо прежде.

По состоянию на май 2022 года, с выпуском 10 новых моделей, пользователи теперь могут выбирать из 32 различных предварительно обученных моделей для использования. Эти модели доступны в виде пакетов глубокого обучения (DLPK), которые можно использовать с ArcGIS Pro, ArcGIS Image Server и ArcGIS API для Python. Вот краткий обзор новых моделей, которые мы добавили.

Классификация

Классификация растительного Покрова с Высоким Разрешением —США

Карты растительного покрова предназначены для поддержки решений в области городского планирования, управления ресурсами, обнаружения изменений, сельского хозяйства и множества других приложений, в которых требуется информация, относящаяся к земной поверхности. Эта предварительно обученная модель глубокого обучения была обучена классификации с пространственным разрешением примерно 1 метр. Пользователи могут использовать эту модель для автоматизации утомительного ручного процесса и значительного сокращения затрат времени и усилий.

High Resolution Land Cover Classification—USA

Классификация мангровых лесов (Landsat 8)

Мангровые заросли имеют решающее значение для поддержания и сохранения здоровых прибрежных экосистем. Однако из-за различных климатических явлений и прибрежной деятельности, такой как рекультивация для развития, мангровые леса быстро сокращаются. Это требует активного мониторинга и усилий по сохранению мангровых зарослей. Эта модель глубокого обучения позволяет осуществлять быстрый мониторинг мангровых лесов по снимкам Landsat 8.

Mangrove Classification (Landsat 8)

Добыча

Извлечение следа от здания—Австралия

Модель строительных следов, разработанная для США, была встречена с таким положительным интересом, что мы разработали аналогичную модель для австралийского региона. С помощью этой предварительно обученной модели вы можете извлекать следы зданий из трехдиапазонных изображений высокого разрешения для Австралии. Слои следа здания полезны при подготовке базовых карт и рабочих процессов анализа для городского планирования и развития, обнаружения изменений, планирования инфраструктуры и множества других приложений.

Building Footprint Extraction—Australia

Добыча полезных ископаемых на дорогах — Глобальный

Поскольку оцифровка дорог вручную по изображениям может быть трудоемкой задачей, эта модель глубокого обучения была разработана для автоматизации процесса и сокращения времени и усилий, необходимых для получения слоев дорог. Эта модель может извлекать дороги из аэрофотоснимков высокого разрешения (1 метр) / спутниковых снимков.

Обнаружение

Обнаружение арктических тюленей

Мониторинг численности любого животного важен для понимания его среды обитания и помогает в его сохранении. Тюлени составляют важную часть пищевой цепи в криосферном регионе Арктики. Поскольку беспилотные летательные аппараты способны работать в экстремальных климатических условиях и покрывать обширные территории за минимальное время, для обнаружения тюленей используются снимки Арктического региона с помощью дронов высокого разрешения.

Arctic Seal Detection

Обнаружение трещин на дорожном покрытии

Ухудшение состояния дорожного покрытия может быть вызвано плохой конструкцией, большой нагрузкой или погодными факторами, что негативно сказывается на безопасности дорожного движения, комфорте вождения и износе транспортных средств. Гражданским властям часто приходится точно выявлять эти трещины и выполнять ремонтные работы. Эта модель помогает автоматизировать задачу обнаружения трещин и выбоин на дорожном покрытии на снимках с беспилотных летательных аппаратов, чтобы обеспечить лучший мониторинг и техническое обслуживание дорог.

Обнаружение ветряной турбины

Еще одна новая модель обнаружения, которую мы добавили, предназначена для ветряных турбин. В связи с возросшим вниманием к вариантам использования возобновляемых источников энергии наблюдается быстрый рост числа установок ветряных турбин по всему миру. Эти установки видны на аэрофотоснимках с высоким разрешением, но может быть утомительно анализировать и отмечать эти установки вручную. Используя нашу модель, вы можете автоматизировать обнаружение ветряных турбин путем интерпретации изображений с высоким разрешением.

Обнаружение колодца — Пермский бассейн

Колодезные площадки - это относительно ровные участки, расчищенные для бурения и добычи нефти и природного газа. Эта предварительно обученная модель обнаруживает площадки скважин на снимках Sentinel-2 и может использоваться для мониторинга хода нового бурения. Это может обеспечить конкурентную разведку, а также потенциально помочь выявить незаконное бурение. Кроме того, знание того, где будут прокладываться новые колодцы, может обеспечить лучшее планирование и распределение ресурсов.

Well Pad Detection—Permian Basin

Обнаружение Пальмового дерева

Эта предварительно обученная модель глубокого обучения используется для обнаружения пальм на снимках с дронов или с воздуха с высоким разрешением. Обнаружение пальм может быть использовано для создания инвентаризации пальм, мониторинга их состояния и местоположения, прогнозирования урожая пальмового масла и т.д.

Другой

Синтаксический анализ текста Сцены

Извлечение текста из естественных сцен в нашей среде, таких как дорожные знаки, рекламные щиты и номера домов, может предоставить дополнительный контекст и подробную информацию о местах, которые описывает текст, и информацию, которую он передает. Эта предварительно обученная модель была обучена на большом наборе данных различных типов и стилей текста с различным фоном и контекстами, что позволяет точно извлекать текст. Его можно применять для различных задач, таких как автоматическое обнаружение и считывание текста с вывесок, отсканированных карт и т.д., Тем самым преобразуя изображения, содержащие текст, в данные, пригодные для выполнения.

Вывод

Основываясь на запросах и предложениях пользователей, вот несколько моделей, которые были недавно разработаны для автоматизации и упрощения ваших рабочих процессов. Каждая модель, доступная в ArcGIS Living Atlas of the World, содержит полезную документацию, которая поможет вам начать работу.

Есть вопросы? Дайте нам знать в сообществе изображений и дистанционного зондирования, как эти модели поддерживают вашу работу.

Какие еще задачи по извлечению объектов вы бы хотели, чтобы ИИ выполнил за вас?


Источник: www.esri.com

Комментарии: