26 09 22: Новые предварительно обученные модели глубокого обучения для ArcGIS

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


Библиотека Esri пополнилась новыми предварительно обученными моделями глубокого обучения. Теперь в ArcGIS Living Atlas of the World можно выбрать из 43 различных моделей!

Библиотека предварительно обученных моделей глубокого обучения в ArcGIS Living Atlas of the World пополняется! Устраняя необходимость в огромных объемах обучающих данных, огромных вычислительных ресурсах и обширных знаниях в области искусственного интеллекта (ИИ), пользователи могут использовать предварительно обученные модели для быстрого начала знакомства с применением нейросетей в ГИС.

По состоянию на сентябрь 2022 года пользователи ArcGIS могут выбирать из 43 различных предварительно обученных моделей. Эти модели доступны в виде пакетов глубокого обучения (DLPK) , которые можно использовать с ArcGIS Pro, Image Server и ArcGIS API for Python.

Расскажем кратко о некоторых новых моделях:

Извлечение границ водных объектов по радиолокационной съемке (SAR)

Деятельность по управлению водными ресурсами, такая как мониторинг изменяющегося русла рек, региональное планирование, борьба с наводнениями, сельское хозяйство - требуют картирования водоемов. Извлечение водных объектов из данных дистанционного зондирования позволяет оценить текущую ситуацию, а также проследить динамику процессов. Модель обучена на радиолокационных снимках Sentinel-1.

dl-sar

Извлечение водных поверхностей из радиолокационных снимков Sentinel-1

Извлечение контуров зданий, модель обучена по данным на Китай

Оцифровка контуров зданий на основе изображений требует много времени и обычно выполняется путем оцифровки объектов вручную. Попробуйте эту модель глубокого обучения для автоматизации процесса. Модель обучена на детальных изображениях с разрешением 15–25 см.

dl-china-buildings

Извлечение контуров зданий с помощью нейросети, обученной на территории Китая.

Обнаружение деревьев

Обнаружение деревьев можно использовать для таких приложений, как управление растительностью, лесное хозяйство, городское планирование и т. д. Эта модель глубокого обучения используется для обнаружения деревьев на изображениях с БПЛА или по аэрофотоснимкам высокого разрешения.   

dl-tree

Обнаружение деревьев

Классификация земного покрова по аэрофотосъемке

Модель обучена на снимках с разрешением 10 см и создает растр, состоящий из 8 классов. Модель обучена по данным на штат Калифорния, США.

dl-class

Классификация земного покрова по данным с БПЛА или высокодетальной аэрофотосъёмке

Создание маски облачного покрова по снимкам Sentinel-2

Многие алгоритмы исследования космоснимков требуют удаления облачного покрова из растров для анализа. Эту модель можно использовать для автоматического создания маски облаков из изображений Sentinel-2 с тремя классами облаков различной плотности. 

dl-clouds

Создание маски облаков по данным Sentinel-2

Стандартизация адресов 

Предварительно обученная модель стандартизации адресов используется для преобразования неправильных и нестандартных адресов в стандартизированные адреса. Стандартизация адресов — это процесс форматирования и исправления адресов в соответствии с мировыми стандартами. Он включает в себя все необходимые элементы адреса (номер улицы, номер квартиры, название улицы, город, штат и почтовый индекс). Эта модель глубокого обучения прошла обучение на наборе адресных данных, предоставленном openaddresses.io, и может использоваться для стандартизации адресов из 10 стран. 

dl-address

Преобразование нестандартных адресов в стандартные адреса

Начать знакомство с нейросетями в ArcGIS можно с бесплатных уроков на сайте learn.arcgis, а также с веб-курса Deep Learning Using ArcGIS Pro (требуется техническая поддержка).

Полученные результаты можно использовать в множестве других приложений ArcGIS для решения отраслевых задач. 

almaty-land-cover

Пример операционной панели для оценки доли зелёных насаждений относительно застроенных территорий, созданной на базе конструктора ArcGIS Dashboards. Данные получены путем классификации нейросетью высокодетальной съёмки Алматы, размещенной в сервисе Esri World Imagery. Данная панель носит демонстрационный характер.


Источник: www.esri-cis.com

Комментарии: