Unerwartete Ergebnisse bei der Ausgabe von vortrainierten Modellen unter Verwendung von Geotiffs, die aus Bildern heruntergeladen wurden, die vom Tile Map Server stammen.

TopoTheMornin

Bei der Verwendung des Parkinglot Classification Model, High Resolution Land Cover Classification Model und Road Extraction Model liefern die Modelle entweder ein durchgehendes Band über meinen Bereich oder keine Klassifikationen. 

Ich suche Hilfe, um Klarheit über geeignete oder lohnenswerte nächste Schritte zu gewinnen. Zum Beispiel:<\/P>

• Ist mein 3-Band-Bild multispektral genug? Benötigt mein Bild mehr Bänder? Falls ja, könnte ich LAS (LiDAR) in digitale Höhenmodelle umwandeln und mit den vorhandenen Bändern kombinieren? Welche Art von Bändern sollte ich hinzufügen? Ist mein Bild zu unterschiedlich von den Trainingsdaten der vortrainierten Modelle? Muss ich die Modelle feinabstimmen?<\/LI>
• Oder fehlt mir ein Verarbeitungsschritt? (Ich habe Schritte unternommen, um Bilder bei Bedarf rückzuprojizieren. Ich habe die Anleitungen durchgesehen. Und ich habe während verschiedener Versuche Bänder extrahiert und hinzugefügt. Ich erläutere das gerne genauer, falls nötig.)<\/LI>
• Unten ist eine grobe Übersicht dessen, was ich versucht habe, aber sie ist nicht vollständig. Zum Beispiel sind dies nur Beispiele für Modellparameter, die ich ausprobiert habe. Ich spreche gerne mehr darüber 🙂<\/span>.<\/LI><\/UL>Bildmaterial<\/H3>Beispiel zur Reproduktion von Bildern (Unser Kunde hat uns auf den untenstehenden Tile Map Service verwiesen und ermutigt, ihn zu verwenden):<\/P>git clone git@github.com:gumblex\/tms2geotiff.git\ncd tms2geotiff\npython3 tms2geotiff.py -s <https:\/\/svc.pictometry.com\/Image\/64C00615-F036-D77F-986A-1F6A31A35DDD\/wmts\/PICT-MOCSPR22-Au6vLBc7oU\/default\/GoogleMapsCompatible\/{z}\/{x}\/{y}.png> -e=-93.33785017761194,37.12322308013705,-93.27050136874603,37.16145404094455 -z 17 springfield_output_image17.2.tif<\/PRE>Alle meine verwendeten Bilder können hier heruntergeladen werden:<\/P>springfield_test_area - Google Drive<\/A><\/P>

  springfield_output_image17.2.tif<\/STRONG><\/P>Zoomstufe vom TMS: 17<\/LI>Zellgröße: 1,19<\/LI>Pixel-Tiefe: 8 Bit unsigned<\/LI>3 Bänder: RGB<\/LI><\/UL>springfield_output_image18.2.tif<\/STRONG><\/P>Zoomstufe vom TMS: 18<\/LI>Zellgröße: 0,597<\/LI>Pixel-Tiefe: 8 Bit unsigned<\/LI>3 Bänder: RGB<\/LI><\/UL>google_springfield_output_image18.2.tif<\/STRONG><\/P>Zoomstufe vom TMS: 18<\/LI>Zellgröße: 0,597<\/LI>Pixel-Tiefe: 8 Bit unsigned<\/LI>3 Bänder: RGB<\/LI><\/UL>springfield_output_image-3.tif<\/STRONG><\/P>Zoomstufe vom TMS: 19<\/LI>Zellgröße: 0,29<\/LI>Pixel-Tiefe: 8 Bit unsigned<\/LI>3 Bänder: RGB<\/LI><\/UL>springfield_output_image20.tif<\/STRONG><\/P>Zoomstufe vom TMS: 30<\/LI>Zellgröße: 0,149<\/LI>Pixel-Tiefe: 8 Bit unsigned<\/LI>3 Bänder: RGB<\/LI><\/UL>

  Parking Lot Classification - USA<\/A><\/STRONG><\/H3>

  Erforderliche Eingabe: 8-Bit, 3-Band hochauflösendes (30 Zentimeter -1,2 Meter) Bildmaterial. Für die Erkennung kleiner Parkplätze wird hochauflösendes Bildmaterial dringend empfohlen.<\/P>

  *Beide Ausgaben waren ein einbändiges Raster, das eine durchgehende (schwarze) Fläche in der Größe des Bildbereichs zeigte.<\/P>

  springfield_output_image-3.tif (0,29 Meter pro Pixel)<\/EM><\/P>Klassifiziere Pixel mit Deep Learning
  =====================
  Parameter
  
  Eingabe-Raster springfield_output_image-3.tif
  Ausgabe klassifiziertes Raster C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl
  Modell-Definition C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk
  Argumente padding 100;batch_size 10;predict_background True;test_time_augmentation True
  Verarbeitungsmodus PROCESS_AS_MOSAICKED_IMAGE
  Ausgabeordner
  =====================
  Umgebungen
  
  GPU ID 1
  Ausgabe-Koordinatensystem PROJCS["WGS_1984_Web_Mercator_Auxiliary_Sphere",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Mercator_Auxiliary_Sphere"],PARAMETER["False_Easting",0.0],PARAMETER["False_Northing",0.0],PARAMETER["Central_Meridian",0.0],PARAMETER["Standard_Parallel_1",0.0],PARAMETER["Auxiliary_Sphere_Type",0.0],UNIT["Meter",1.0]]
  Paralleler Verarbeitungsfaktor 90%
  Ausdehnung -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Zellgröße springfield_output_image-3.tif
  Prozessortyp GPU
  =====================
  Meldungen
  
  Startzeit: Dienstag, 17. Oktober 2023 13:36:13
  Erstelle Pyramiden...
  Erfolgreich am Dienstag, 17. Oktober 2023 13:36:32 (Verstrichene Zeit: 19,47 Sekunden)
  
  <\/>\n<\/>\nspringfield_output_image18.2.tif (0,597 Meter pro Pixel):<\/>\n

  Klassifiziere Pixel mit Deep Learning
  =====================
  Parameter
  
  Eingabe-Raster     springfield_output_image18.tif
  Ausgabe klassifiziertes Raster     C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl
  Modell-Definition     C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk
  Argumente     padding 100;batch_size 20;predict_background True
  Verarbeitungsmodus     PROCESS_AS_MOSAICKED_IMAGE
  Ausgabeordner     
  =====================
  Umgebungen
  
  GPU ID     1
  Ausgabe-Koordinatensystem     PROJCS["WGS_1984_Web_Mercator_Auxiliary_Sphere",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Mercator_Auxiliary_Sphere"],PARAMETER["False_Easting",0.0],PARAMETER["False_Northing",0.0],PARAMETER["Central_Meridian",0.0],PARAMETER["Standard_Parallel_1",0.0],PARAMETER["Auxiliary_Sphere_Type",0.0],UNIT["Meter",1.0]]
  Snap Raster     springfield_output_image18.tif
  Paralleler Verarbeitungsfaktor     90%
  Ausdehnung     -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Zellgröße     springfield_output_image18.tif
  Prozessortyp     GPU
  =====================
  Meldungen
  
  Startzeit: Dienstag, 17. Oktober 2023 13:47:01
  Erstelle Pyramiden...
  Erfolgreich am Dienstag, 17. Oktober 2023 13:47:20 (Verstrichene Zeit: 19,05 Sekunden)
  
  

  
  High Resolution Land Cover Classification - USA
  

  Erforderliche Eingabe: 8-Bit, 3-Band hochauflösendes (80 -100 cm) Bildmaterial.
  
  

  
  springfield_output_image18.2.tif:
  
  

  • Original Zellgröße: 0,597 - Keine Merkmale klassifiziert
    
    
  • Nicht klassifizierte Raster wurden auf .8 und Zellgrößen von 1 neu abgetastet.
    
    Beide lieferten null Klassifikationen.
    
    
  • Dies erzeugte ein Raster mit den entsprechenden Klassen, aber es war leer.
    
    

  Klassifiziere Pixel mit Deep Learning
  
  =====================
  
  Parameter
  
  
  
  Eingabe-Raster springfield_output_image18_2_resampled_8
  
  Ausgabe klassifiziertes Raster C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\springfield_output_image18_2_LandCoverClassification
  
  Modell-Definition C:\\Users\\GuestUser\\Downloads\\HighResolutionLandCoverClassification_USA.dlpk
  
  Argumente padding 128;batch_size 4;predict_background True;test_time_augmentation True;tile_size 512;detailed_classes True
  
  Verarbeitungsmodus PROCESS_AS_MOSAICKED_IMAGE
  
  Ausgabeordner 
  
  =====================
  
  Umgebungen
  
  
  
  GPU ID 1
  
  Ausgabe-Koordinatensystem PROJCS["WGS_1984_Web_Mercator_Auxiliary_Sphere",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Mercator_Auxiliary_Sphere"],PARAMETER["False_Easting",0.0],PARAMETER["False_Northing",0.0],PARAMETER["Central_Meridian",0.0],PARAMETER["Standard_Parallel_1",0.0],PARAMETER["Auxiliary_Sphere_Type",0.0],UNIT["Meter",1.0]]
  
  Ausdehnung -10390321.9535106 4456296.1558014 -10382824.3535106 4461635.3558014
  
  Zellgröße springfield_output_image18_2_resampled_8
  
  Prozessortyp GPU
  
  =====================
  
  Meldungen
  
  
  
  Startzeit: Dienstag, 2 Januar 2024 um 15:02:34 Uhr
  
  Erstelle Pyramiden... 
  
  Erfolgreich am Dienstag, Januar 2,2024 um15:02:59 Uhr (Verstrichene Zeit :24 ,10 Sekunden)
  
  
  

  Typ GPU
  =====================
  Nachrichten
  
  Startzeit: Dienstag, 17. Oktober 2023 14:16:08
  Pyramiden werden gebaut...
  Erfolgreich am Dienstag, 17. Oktober 2023 14:16:27 (Verstrichene Zeit: 18,54 Sekunden)

  Building Footprint Extraction - USA

  Erforderliche Eingabe: 8-Bit, 3-Band hochauflösende (10–40 cm) Bilddaten

  Bildzoomstufe 20: 0,149291 Meter/Pixel

  *Dieses Modell hat bei mir wie erwartet gut funktioniert

  Objekte mit Deep Learning erkennen
  =====================
  Parameter
  
  Eingabe-Raster     springfield_output_image20.tif
  Ausgabe erkannter Objekte     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\BuildingsSpringfieldNeighborhoodExtract
  Modelldefinition     C:\Users\GuestUser\Downloads\usa_building_footprints.dlpk
  Argumente     padding 128;batch_size 4;threshold 0.9;return_bboxes False;tile_size 512
  Non Maximum Suppression     NO_NMS
  Vertrauenswert-Feld     Confidence
  Klassenwert-Feld     Class
  Maximales Überlappungsverhältnis     0
  Verarbeitungsmodus     PROCESS_AS_MOSAICKED_IMAGE
  =====================
  Umgebungen
  
  GPU ID     0
  Ausgabe-Koordinatensystem     PROJCS["WGS_1984_Web_Mercator_Auxiliary_Sphere",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Mercator_Auxiliary_Sphere"],PARAMETER["False_Easting",0.0],PARAMETER["False_Northing",0.0],PARAMETER["Central_Meridian",0.0],PARAMETER["Standard_Parallel_1",0.0],PARAMETER["Auxiliary_Sphere_Type",0.0],UNIT["Meter",1.0]]
  Paralleler Verarbeitungsfaktor     80%
  Ausdehnung     -10388203.4459055 4458875.89868347 -10385663.0682562 4459610.48549814
  Zellgröße     Springfield Neighborhood Extract Bands.tif
  Maske     Springfield Neighborhood Extract Bands.tif
  Prozessortyp     GPU
  =====================
  Nachrichten
  
  Startzeit: Dienstag, 17. Oktober 2023 11:31:47
  Erfolgreich am Dienstag, 17. Oktober 2023 11:36:09 (Verstrichene Zeit: 4 Minuten 21 Sekunden)
  
  

  Hinweise:

  • Ich habe letztlich mein eigenes Modell mit überwachten Objektklassifikationen über den Image Classification Wizard trainiert. Dafür habe ich eine Kombination von Bändern verwendet. Ich habe LAS (LiDAR) in digitale Höhenmodelle umgewandelt, die den minimalen Punkt in Zellen von 0,5971 Metern zeigen, und diese mit den Bändern von springfield_output_image18.2.tif kombiniert. Dies half dem Modell beispielsweise dabei, zwischen Dächern und Einfahrten zu unterscheiden.