Vorstellung gebrauchsfertiger geospatialer Deep-Learning-Modelle

VinayViswambharan1

<\/HEAD>

Mit dem Feuerstrahl an Bildern, der täglich von einer Vielzahl von Sensoren hereinströmt, steigt der Bedarf, KI zur Automatisierung der Merkmalsextraktion einzusetzen, stetig an. Um sicherzustellen, dass Ihre Organisation vorbereitet ist, bringt Esri KI auf die nächste Stufe. Wir freuen uns sehr, die Veröffentlichung gebrauchsfertiger geospatialer <\/SPAN>AI-Modelle im ArcGIS Living Atlas<\/A> bekannt zu geben.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Artikelübersicht:<\/STRONG> <\/SPAN>Esri bringt gebrauchsfertige Deep Learning-Modelle über ArcGIS Online in unsere Benutzercommunity.<\/P><\/BLOCKQUOTE><\/DIV>Zum Start haben wir drei Modelle hinzugefügt – Extraktion von Gebäudegrundrissen und Landbedeckungsklassifikation aus Satellitenbildern sowie ein weiteres Modell zur Klassifizierung von Punkten, die Bäume in Punktwolken-Datensätzen darstellen.<\/P>Mit den bestehenden Möglichkeiten in ArcGIS konnten Sie bereits <\/SPAN>

über ein Dutzend Deep Learning-Modelle<\/A> <\/SPAN>auf geospatialen Datensätzen trainieren und Informationsprodukte mit der ArcGIS API for Python oder ArcGIS Pro ableiten sowie die Verarbeitung mit ArcGIS Image Server skalieren.<\/P><\/DIV>Gebäudegrundrisse automatisch extrahiert mit dem neuen Deep Learning-Modell<\/A>

Diese neu veröffentlichten Modelle sind ein Wendepunkt! Sie wurden von Esri auf riesigen Datenmengen vortrainiert und können sofort verwendet werden (kein Training erforderlich!), um die mühsame Aufgabe der Digitalisierung und Extraktion geografischer Merkmale aus Satellitenbildern und Punktwolken-Datensätzen zu automatisieren. Sie bringen die Kraft von AI und Deep Learning in die Esri-Benutzercommunity. Darüber hinaus sind diese Deep Learning-Modelle für jeden mit einem ArcGIS Online-Abonnement ohne zusätzliche Kosten zugänglich.<\/P>

 <\/P>

Verwendung der Modelle<\/H2>Die Verwendung dieser Modelle ist einfach. Sie können Geoverarbeitungswerkzeuge (wie das <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>Werkzeug) in ArcGIS Pro mit den Bildmodellen verwenden. Zeigen Sie das Werkzeug auf die Bilder und das heruntergeladene Modell, und das war's – Deep Learning war noch nie so einfach! Eine GPU, obwohl nicht notwendig<\/EM>, kann helfen, den Prozess zu beschleunigen. Mit ArcGIS Enterprise können Sie die Inferenzleistung mit Image Server<\.A> skalieren.<\ /P>

<\ /DIV> Verwendung des Gebäudegrundriss-Extraktionsmodells in ArcGIS Pro

Bald werden Sie das Modell direkt in  

ArcGIS Online Imagery <\ /A> verwenden können und es gegen Ihre eigenen hochgeladenen Bilder ausführen – alles ohne eine ArcGIS Enterprise-Bereitstellung. Die  <\ /SPAN>3D Basemaps-Lösung <\ /A> wird ebenfalls erweitert, um das Baum-Punktklassifizierungsmodell zu verwenden und realistische 3D-Baumodelle aus Rohpunktwolken zu erstellen.<\ /P>  <\ /P>

Wie können Sie von diesen Deep Learning-Modellen profitieren? <\ /H2> Es versteht sich wahrscheinlich von selbst, dass das  manuelle<\ /EM> <\ /SPAN>Extrahieren von Merkmalen aus Bildern – wie das Digitalisieren von Grundrissen oder Erstellen von Landbedeckungskarten – zeitaufwendig ist. Deep Learning automatisiert den Prozess und minimiert erheblich die manuelle Interaktion, die zur Erstellung dieser Produkte erforderlich ist. Das Training eines eigenen Deep Learning-Modells kann jedoch kompliziert sein – es benötigt viele Daten, umfangreiche Rechenressourcen und Kenntnisse darüber, wie Deep Learning funktioniert.<\ /P>  <\ /P> <\ /DIV> Beispiel für extrahierte Gebäudegrundrisse - Woodland, CA <\ /A>

Mit gebrauchsfertigen Modellen müssen Sie keine Zeit und Energie mehr darauf verwenden, Merkmale manuell zu extrahieren oder Ihr eigenes Deep Learning-Modell zu trainieren. Diese Modelle wurden mit Daten aus verschiedenen Regionen trainiert und funktionieren gut über diese hinweg. Wenn neue Bilder eintreffen, können Sie Merkmale auf Knopfdruck extrahieren und GIS-Datensatzebenen für Kartierung, Visualisierung und Analyse erstellen.<\ /P>

<\ /DIV>

Beispiel für extrahierte Gebäudegrundrisse - Palm Islands, Dubai <\ /A>

 <\ /P>

Lernen Sie die ersten drei Modelle kennen, die wir veröffentlicht haben <\ /H2> Drei Deep Learning-Modelle sind jetzt in ArcGIS Online verfügbar. (Weitere Modelle folgen!). Diese Modelle sind als Deep Learning Packages (DLPKs) verfügbar, die mit ArcGIS Pro, Image Server und ArcGIS API for Python verwendet werden können.<
/P>


1.Building Footprint ExtractionModell wird verwendet, um Gebäudegrundrisse aus hochauflösenden Satellitenbildern zu extrahieren. Obwohl es für die zusammenhängenden Vereinigten Staaten entwickelt wurde, liefert es auch in anderen Teilen der Welt recht gute Ergebnisse.<
/P>

Das Modell liefert auch in anderen Teilen der Welt recht gute Ergebnisse. Ergebnisse aus Ulricehamn, Schweden.<\/A>

Hier ist eine Story Map<\/A> <\/SPAN>, die einige der Ergebnisse präsentiert. Gebäudegrundriss-Ebenen sind nützlich zur Erstellung von Basiskarten und in Analyse-Workflows für Stadtplanung und -entwicklung, Versicherung, Besteuerung, Veränderungserkennung und Infrastrukturplanung.<\/P>2. Landcover Classification<\/STRONG> <\/SPAN>Modell wird verwendet, um ein Landbedeckungsprodukt mit Landsat 8-Bildern zu erstellen. Die klassifizierte Landbedeckung wird dieselben Klassen haben wie die <\/SPAN>National Land Cover Database<\/A>. Die resultierenden Landbedeckungskarten sind nützlich für Stadtplanung, Ressourcenmanagement, Veränderungserkennung und Landwirtschaft.<\/P>

<\/DIV>Klassifizierte Landbedeckungskarte mit Landsat 8-Bildern

Dieses generische Modell wurde mit der <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 trainiert, mit denselben Landsat 8-Szenen, die zur Erstellung der Datenbank verwendet wurden. Die Klassifizierung der Landbedeckung ist eine komplexe Aufgabe und schwer mit traditionellen Methoden zu erfassen. Deep Learning-Modelle haben eine hohe Kapazität, diese komplexen Semantiken zu erlernen und liefern überlegene Ergebnisse.<\/P>3. Tree Point Classification<\/STRONG> <\/SPAN>Modell kann verwendet werden, um Punkte, die Bäume in Punktwolken-Datensätzen darstellen, zu klassifizieren.<\/P><\/DIV>3D-Szene erstellt durch Einsatz des Tree Point Classification-Modells.<\/A>

Die Klassifizierung von Baum-Punkten ist nützlich zur Erstellung hochwertiger 3D-Basiskarten, für Stadtplanungs- und Forstwirtschafts-Workflows.<\/P>

 <\/P>

Nächste Schritte<\/H2>Probieren Sie die <\/SPAN>

Deep Learning-Modelle im ArcGIS Living Atlas<\/A> <\/SPAN>selbst aus. Lesen Sie mehr <\/SPAN>detaillierte Anweisungen<\/A> <\/SPAN>zur Verwendung der Deep Learning-Modelle in ArcGIS. Haben Sie Fragen? Lassen Sie es uns auf <\/SPAN>GeoNet<\/A> <\/SPAN>wissen, wie sie für Sie funktionieren und welche weiteren Feature Extraction-Aufgaben Sie gerne von AI erledigt hätten!<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!