Resultados inesperados generados por modelos preentrenados usando geotiffs hechos a partir de imágenes descargadas de Tile Map Server.

TopoTheMornin

Al usar Parkinglot Classification Model, High Resolution Land Cover Classification Model y Road Extraction Model, los modelos generan como salida una banda sólida a lo largo de mi extensión, o cero clasificaciones. 

Estoy buscando ayuda para obtener claridad sobre los siguientes pasos apropiados o valiosos. Por ejemplo:<\/P>

• ¿Mi imagen de 3 bandas es lo suficientemente multispectral? ¿Necesita mi imagen más bandas? si es así, ¿podría convertir LAS (LiDAR) a Modelos Digitales de Elevación y unirlo con las bandas que tengo? ¿Qué tipo de bandas debería agregar? ¿Mi imagen es demasiado diferente de los datos de entrenamiento de los modelos preentrenados? ¿Necesito ajustar finamente los modelos?<\/LI>
• ¿O hay un paso de procesamiento que me estoy perdiendo? (He tomado medidas para retroproyectar la imagen cuando es apropiado. He revisado las guías. Y he extraído y agregado bandas durante varios intentos. Estoy dispuesto a profundizar más en eso, si es necesario.)<\/LI>
• A continuación hay una visión general a alto nivel de lo que he intentado, pero no es exhaustiva. Por ejemplo, estos son solo ejemplos de parámetros del modelo que he probado. Estoy dispuesto a hablar más 🙂<\/span>.<\/LI><\/UL>Imágenes<\/H3>Ejemplo para reproducir imágenes (Nuestro cliente nos dirigió al servicio de mapas por mosaicos abajo y nos animó a usarlo):<\/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>Todas mis imágenes con las que trabajé se pueden descargar aquí:<\/P>springfield_test_area - Google Drive<\/A><\/P>

  springfield_output_image17.2.tif<\/STRONG><\/P>Nivel de zoom del TMS: 17<\/LI>Tamaño de celda: 1.19<\/LI>Profundidad de píxel: 8 bits sin signo<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image18.2.tif<\/STRONG><\/P>Nivel de zoom del TMS: 18<\/LI>Tamaño de celda: 0.597<\/LI>Profundidad de píxel: 8 bits sin signo<\/LI>3 bandas: RGB<\/LI><\/UL>google_springfield_output_image18.2.tif<\/STRONG><\/P>Nivel de zoom del TMS: 18<\/LI>Tamaño de celda: 0.597<\/LI>Profundidad de píxel: 8 bits sin signo<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image-3.tif<\/STRONG><\/P>Nivel de zoom del TMS: 19<\/LI>Tamaño de celda: 0.29<\/LI>Profundidad de píxel: 8 bits sin signo<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image20.tif<\/STRONG><\/P>Nivel de zoom del TMS: 30<\/LI>Tamaño de celda: 0.149<\/LI>Profundidad de píxel: 8 bits sin signo<\/LI>3 bandas: RGB<\/LI><\/UL>

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

  Entrada requerida: imágenes en alta resolución (30 centímetros -1.2 metros), 8 bits, 3 bandas. Para detectar estacionamientos pequeños, se recomienda encarecidamente imágenes con mayor resolución.<\/P>

  *Ambas salidas fueron un ráster de 1 banda, mostrando un sólido (negro), del tamaño de la extensión de la imagen.<\/P>

  springfield_output_image-3.tif (0.29 metro\pixel)<\/EM><\/P>Clasificar píxeles usando Deep Learning
  =====================
  Parámetros
  
  Ráster de entrada springfield_output_image-3.tif
  Ráster clasificado de salida C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl
  Definición del modelo C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk
  Argumentos padding 100;batch_size 10;predict_background True;test_time_augmentation True
  Modo de procesamiento PROCESS_AS_MOSAICKED_IMAGE
  Carpeta de salida
  =====================
  Entornos
  
  ID GPU 1
  Sistema de coordenadas de salida 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]]
  Factor de procesamiento paralelo 90%
  Extensión -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Tamaño de celda springfield_output_image-3.tif
  Tipo de procesador GPU
  =====================
  Mensajes
  
  Hora inicio: martes, 17 octubre, 2023 13:36:13
  Construyendo pirámides...
  Éxito el martes, 17 octubre, 2023 13:36:32 (Tiempo transcurrido: 19.47 segundos)
  
  springfield_output_image18.2.tif (0.597 metro\pixel):

  Clasificar píxeles usando Deep Learning
  =====================
  Parámetros
  
  Ráster de entrada     springfield_output_image18.tif
  Ráster clasificado de salida     C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl
  Definición del modelo     C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk
  Argumentos     padding 100;batch_size 20;predict_background True
  Modo de procesamiento     PROCESS_AS_MOSAICKED_IMAGE
  Carpeta de salida     
  =====================
  Entornos
  
  ID GPU     1
  Sistema de coordenadas de salida     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
  Factor de procesamiento paralelo     90%
  Extensión     -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Tamaño de celda     springfield_output_image18.tif
  Tipo de procesador     GPU
  =====================
  Mensajes
  
  Hora inicio: martes, 17 octubre, 2023 13:47:01
  Construyendo pirámides...
  Éxito el martes, 17 octubre, 2023 13:47:20 (Tiempo transcurrido: 19.05 segundos)
  
  

  
  High Resolution Land Cover Classification - USA
  

  Entrada requerida: imágenes en alta resolución (80 -100 cm), 8 bits, 3 bandas.
  
  

  
  springfield_output_image18.2.tif:
  
  

  • Tamaño original de celda: 0,597 - No se clasificaron características
  • Muestreo rater a .8 y tamaños celulares a 1 . Ambos devolvieron cero clasificaciones.
  • Esto produjo un ráster con las clases apropiadas pero estaba vacío.

  
  Clasificar píxeles usando Deep Learning
  =====================
  Parámetros
  
  Ráster Entrada    springfield_output_image18_2_resampled_8 
  Ráster Clasificado Salida    C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\springfield_output_image18_2_LandCoverClassification 
  Definición Modelo    C:\Users\GuestUser\Downloads\HighResolutionLandCoverClassification_USA.dlpk 
  Argumentos    padding 128;batch_size 4;predict_background True;test_time_augmentation True;tile_size 512;detailed_classes True 
  Modo Procesamiento    PROCESS_AS_MOSAICKED_IMAGE 
  Carpeta Salida    
  =====================
  Entornos 
  GPU ID    1 
  Sistema Coordenadas Salida    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 ] ] 
  extensión    -10390321 .9535106   4456296 .1558014   -10382824 .3535106   4461635 .3558014 
  tamaño Celda    springfield_output_image18_2_resampled_8 
  tipo Procesador    GPU 
  =====================
  mensajes 
  hora Inicio : martes , enero   2 ,   2024   15 :02 :34 
  building Pyramids ...
  succeeded at Tuesday , January   2 ,   2024   15 :02 :59   (Elapsed Time :   24 .10 seconds )
  

  
  Road Extraction - North America
  

  Entrada requerida: imágenes aéreas/satélite en alta resolución (30-50 cm), con profundidad a nivel bit y tres bandas.
  
  nivel zoom imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imagenes Nivel Zoom Imágenes
  
  nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagen nivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivel zoom imagennivelzoomimagennivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelnivelevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellevellllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllll
  
  imageneszoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivelzoomnivellllllll
  
  imagenesssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  imagenesssssss
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  

  Clasificar píxeles usando Deep Learning
  =====================
  Parámetros
  
  Ráster Entrada    springfield_output_image-3.tif 
  Ráster Clasificado Salida    C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\roads_springfield_image3_Cl 
  definición Modelo    C:\Users\GuestUser\Downloads\RoadsExtraction_NorthAmerica.dlpk 
  nargumentos    padding 10;batch_size 20;merge_policy max;threshold .05;test_time_augmentation True;merge_policy max 
  mModo Procesamiento    PROCESS_AS_MOSAICKED_IMAGE 
  cCarpeta Salida    
  =====================
  eEntornos 
  gGPU ID    1 
  sSistema Coordenadas Salida    PROJCS [ "WGS_1984_Web_Mercator_Auxiliary_Sphere " , GEOGCS [ "GCS_WGS_1984 " , DATUM [  Tipo     GPU
  =====================
  Mensajes
  
  Hora de inicio: martes, 17 de octubre de 2023 2:16:08 PM
  Construyendo Pirámides...
  Exitoso el martes, 17 de octubre de 2023 2:16:27 PM (Tiempo transcurrido: 18.54 segundos)
  
  <\/PRE>Building Footprint Extraction - USA<\/A><\/STRONG><\/H3>
  Entrada requerida: imágenes de alta resolución (10–40 cm) de 8 bits y 3 bandas<\/P>
  Nivel de zoom de imagen 20: 0.149291 metros\/píxel<\/P>
  *Este modelo funcionó muy bien para mí como se esperaba<\/EM><\/P>Detectar objetos usando Deep Learning
  =====================
  Parámetros
  
  Raster de entrada     springfield_output_image20.tif
  Objetos detectados de salida     C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\BuildingsSpringfieldNeighborhoodExtract
  Definición del modelo     C:\\Users\\GuestUser\\Downloads\\usa_building_footprints.dlpk
  Argumentos     padding 128;batch_size 4;threshold 0.9;return_bboxes False;tile_size 512
  Supresión no máxima     NO_NMS
  Campo de puntuación de confianza     Confidence
  Campo de valor de clase     Class
  Relación máxima de superposición     0
  Modo de procesamiento     PROCESS_AS_MOSAICKED_IMAGE
  =====================
  Entornos
  
  ID GPU     0
  Sistema de coordenadas de salida     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]]
  Factor de procesamiento paralelo     80%
  Extensión     -10388203.4459055 4458875.89868347 -10385663.0682562 4459610.48549814
  Tamaño de celda     Springfield Neighborhood Extract Bands.tif
  Máscara     Springfield Neighborhood Extract Bands.tif
  Tipo de procesador     GPU
  =====================
  Mensajes
  
  Hora de inicio: martes, 17 de octubre de 2023 11:31:47 AM
  Exitoso el martes, 17 de octubre de 2023 11:36:09 AM (Tiempo transcurrido: 4 minutos 21 segundos)
  
  <\/PRE>Notas:<\/P>Finalmente entrené mi propio modelo usando clasificación supervisada de objetos a través del asistente de clasificación de imágenes. Para esto usé una combinación de bandas. Convertí LAS (LiDAR) a Modelos Digitales de Elevación mostrando el punto mínimo en celdas de 0.5971 metros, combinándolo con las bandas del springfield_output_image18.2.tif<\/EM>. Esto ayudó al modelo a diferenciar entre techos y entradas para autos, por ejemplo.<\/LI><\/UL><\/P>