Představujeme připravené geospatial deep learning modely k použití

VinayViswambharan1

<\/HEAD>

S ohromným množstvím obrazových dat, která denně přicházejí z různých senzorů, roste potřeba využití AI k automatizaci extrakce prvků. Aby byla vaše organizace připravena, Esri posouvá AI na další úroveň. S velkým nadšením oznamujeme vydání připravených k použití geospatial <\/SPAN>AI modelů na ArcGIS Living Atlas<\/A>.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Přehled článku:<\/STRONG> <\/SPAN>Esri přináší připravené hluboké učící modely naší uživatelské komunitě prostřednictvím ArcGIS Online.<\/P><\/BLOCKQUOTE><\/DIV>Na začátek jsme přidali tři modely — extrakci půdorysů budov a klasifikaci pokryvu země ze satelitních snímků a další model pro klasifikaci bodů představujících stromy v datech bodových mračen.<\/P>S existujícími schopnostmi v ArcGIS jste mohli trénovat <\/SPAN>

více než tucet hlubokých učících modelů<\/A> <\/SPAN>na geospatial datech a vytvářet informační produkty pomocí ArcGIS API pro Python nebo ArcGIS Pro a škálovat zpracování pomocí ArcGIS Image Server.<\/P><\/DIV>Půdorysy budov automaticky extrahované pomocí nového hlubokého učícího modelu<\/A>

Tyto nově vydané modely jsou průlomové! Byly předtrénovány Esri na obrovských objemech dat a lze je okamžitě použít (není potřeba trénink!) k automatizaci nudného úkolu digitalizace a extrakce geografických prvků ze satelitních snímků a dat bodových mračen. Přinášejí sílu AI a hlubokého učení uživatelské komunitě Esri. Navíc jsou tyto hluboké učící modely dostupné pro každého s předplatným ArcGIS Online bez dalších nákladů.<\/P>

 <\/P>

Použití modelů<\/H2>Používání těchto modelů je jednoduché. Můžete použít geoprocesní nástroje (například nástroj <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>) v ArcGIS Pro s obrazovými modely. Stačí nasměrovat nástroj na snímky a stažený model, a to je vše – hluboké učení nikdy nebylo tak snadné! GPU, i když není nutné<\/EM>, může pomoci urychlit proces. S ArcGIS Enterprise můžete škálovat inferenci pomocí Image Server.<\/A><\/P>

<\/DIV>Použití modelu pro extrakci půdorysů budov v ArcGIS Pro

Brzy budete moci model přímo využít v 

ArcGIS Online Imagery<\/A> <\/> a spustit jej na vašich vlastních nahraných snímcích – to vše bez nasazení ArcGIS Enterprise. Řešení3CSPAN>A03D Basemaps solution3C/SPAN>20je také vylepšováno pro použití modelu klasifikace stromových bodů a tvorbu realistických trojrozměrných stromových modelů z neupravených bodových mračen.<\/>

26nbsp;<\/>

Jak můžete těžit z těchto hlubokých učících modelů?<\/> Asi není třeba zdůrazňovat, že ruční extrakce prvků ze snímků – jako je digitalizace půdorysů nebo tvorba map pokryvu země – je časově náročná. Hluboké učení automatizuje tento proces a výrazně minimalizuje manuální zásahy potřebné k vytvoření těchto produktů. Nicméně trénink vlastního hlubokého učícího modelu může být složitý – vyžaduje mnoho dat, rozsáhlé výpočetní zdroje a znalosti fungování hlubokého učení.<\/> 26nbsp;<\/>

Ukázkové půdorysy budov - Woodland, CA<\/>

S připravenými k použití modely již nemusíte investovat čas a energii do ruční extrakce prvků nebo tréninku vlastního hlubokého učícího modelu. Tyto modely byly trénovány na datech z různých geografických oblastí a dobře fungují napříč nimi. Jakmile přijdou nové snímky, můžete snadno extrahovat prvky jedním kliknutím a vytvářet vrstvy GIS dat pro mapování, vizualizaci a analýzu.<\/>

Ukázkové půdorysy budov - Palm Islands, Dubai<\/>

26nbsp;<\/>

Poznejte první tři modely, které jsme vydali<\/> Tři hluboké učící modely jsou nyní dostupné v ArcGIS Online (očekávejte další modely v budoucnu!). Tyto modely jsou dostupné jako balíčky hlubokého učení (DLPK), které lze použít s ArcGIS Pro, Image Server a ArcGIS API pro Python.<\/> 1.
Model extrakce půdorysů budov<\/><\STRONG> slouží k extrakci půdorysů budov z vysoce rozlišených satelitních snímků. I když je navržen pro kontinentální Spojené státy, funguje poměrně dobře i v jiných částech světa.<\/> Model funguje poměrně dobře i v jiných částech světa. Výsledky z Ulricehamn, Švédsko.<\/A>

Zde je story mapa<\/A> <\/SPAN>představující některé výsledky. Vrstvy otisků budov jsou užitečné pro vytváření základních map a v analytických pracovních postupech pro urbanistické plánování a rozvoj, pojištění, zdanění, detekci změn a plánování infrastruktury.<\/P>2. Klasifikace pokryvu půdy<\/STRONG> <\/SPAN>model se používá k vytvoření produktu pokryvu půdy pomocí snímků Landsat 8. Klasifikovaný pokryv půdy bude mít stejné třídy jako <\/SPAN>National Land Cover Database<\/A>. Výsledné mapy pokryvu půdy jsou užitečné pro urbanistické plánování, správu zdrojů, detekci změn a zemědělství.<\/P>

<\/DIV>Klasifikovaná mapa pokryvu půdy pomocí snímků Landsat 8

Tento generický model byl natrénován na <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 se stejnými scénami Landsat 8, které byly použity k vytvoření databáze. Klasifikace pokryvu půdy je složitý úkol a je obtížné ji zachytit tradičními metodami. Modely hlubokého učení mají vysokou kapacitu naučit se tyto složité sémantiky a poskytují lepší výsledky.<\/P>3. Klasifikace bodů stromů<\/STRONG> <\/SPAN>model lze použít ke klasifikaci bodů představujících stromy v datech bodového mraku.<\/P><\/DIV>3D scéna vytvořená použitím modelu klasifikace bodů stromů.<\/A>

Klasifikace bodů stromů je užitečná pro vytváření vysoce kvalitních 3D základních map, urbanistické plánování a lesnické pracovní postupy.<\/P>

 <\/P>

Další kroky<\/H2>Vyzkoušejte si <\/SPAN>

modely deep learning v ArcGIS Living Atlas<\/A> <\/SPAN>na vlastní kůži. Přečtěte si více <\/SPAN>podrobných instrukcí<\/A> <\/SPAN>pro použití modelů deep learning v ArcGIS. Máte otázky? Dejte nám vědět na <\/SPAN>GeoNet<\/A> <\/SPAN>jak vám fungují a jaké další úkoly extrakce prvků byste chtěli, aby AI pro vás vykonala!<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!