Presentando modelos de aprendizaje profundo geoespacial listos para usar

VinayViswambharan1

<\/HEAD>

Con la avalancha de imágenes que se transmiten diariamente desde una variedad de sensores, la necesidad de usar AI para automatizar la extracción de características solo está aumentando. Para asegurarse de que su organización esté preparada, Esri está llevando AI al siguiente nivel. Estamos muy emocionados de anunciar el lanzamiento de modelos AI geoespaciales listos para usar <\/SPAN>en el ArcGIS Living Atlas<\/A>.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Resumen del artículo:<\/STRONG> <\/SPAN>Esri está trayendo modelos de deep learning listos para usar a nuestra comunidad de usuarios a través de ArcGIS Online.<\/P><\/BLOCKQUOTE><\/DIV>Para comenzar, hemos añadido tres modelos — extracción de huellas de edificios y clasificación de cobertura terrestre a partir de imágenes satelitales, y otro modelo para clasificar puntos que representan árboles en conjuntos de datos de nubes de puntos.<\/P>Con las capacidades existentes en ArcGIS, ha podido entrenar <\/SPAN>

más de una docena de modelos de deep learning<\/A> <\/SPAN>en conjuntos de datos geoespaciales y derivar productos informativos usando el ArcGIS API for Python o ArcGIS Pro, y escalar el procesamiento usando ArcGIS Image Server.<\/P><\/DIV>Huellas de edificios extraídas automáticamente usando el nuevo modelo de deep learning<\/A>

¡Estos modelos recién lanzados son un cambio radical! Han sido preentrenados por Esri con grandes volúmenes de datos y pueden usarse fácilmente (¡no se requiere entrenamiento!) para automatizar la tediosa tarea de digitalizar y extraer características geográficas a partir de imágenes satelitales y conjuntos de datos de nubes de puntos. Traen el poder del AI y deep learning a la comunidad usuaria de Esri. Además, estos modelos de deep learning están accesibles para cualquiera con una suscripción a ArcGIS Online sin costo adicional.<\/P>

 <\/P>

Uso de los modelos<\/H2>Usar estos modelos es simple. Puede usar herramientas de geoprocesamiento (como la herramienta <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>) en ArcGIS Pro con los modelos para imágenes. Simplemente apunte la herramienta a las imágenes y al modelo descargado, ¡y eso es todo – deep learning nunca ha sido tan fácil! Una GPU, aunque no es necesaria<\/EM>, puede ayudar a acelerar el proceso. Con ArcGIS Enterprise, puede escalar la inferencia usando Image Server.<\/A><\/P>

<\/DIV>Uso del modelo para extracción de huellas de edificios en ArcGIS Pro

Próximamente, podrá consumir el modelo directamente en 

ArcGIS Online Imagery<\/A> <\/> y ejecutarlo contra sus propias imágenes cargadas—todo sin un despliegue de ArcGIS Enterprise. La soluciónEl modelo funciona bastante bien en otras partes del mundo. Resultados de Ulricehamn, Suecia.<\/A>

Aquí hay un mapa narrativo<\/A> <\/SPAN>que presenta algunos de los resultados. Las capas de huellas de edificios son útiles para crear mapas base y en flujos de trabajo de análisis para planificación y desarrollo urbano, seguros, impuestos, detección de cambios y planificación de infraestructura.<\/P>2. Clasificación de Cobertura Terrestre<\/STRONG> <\/SPAN>el modelo se usa para crear un producto de cobertura terrestre utilizando imágenes Landsat 8. La cobertura terrestre clasificada tendrá las mismas clases que la <\/SPAN>National Land Cover Database<\/A>. Los mapas resultantes de cobertura terrestre son útiles para planificación urbana, gestión de recursos, detección de cambios y agricultura.<\/P>

<\/DIV>Mapa de cobertura terrestre clasificada usando imágenes Landsat 8

Este modelo genérico ha sido entrenado con la <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 con las mismas escenas Landsat 8 que se usaron para producir la base de datos. La clasificación de cobertura terrestre es un ejercicio complejo y difícil de capturar mediante métodos tradicionales. Los modelos de deep learning tienen una alta capacidad para aprender estas complejas semánticas y ofrecen resultados superiores.<\/P>3. Clasificación de Puntos de Árboles<\/STRONG> <\/SPAN>el modelo puede usarse para clasificar puntos que representan árboles en conjuntos de datos de nubes de puntos.<\/P><\/DIV>Escena 3D creada empleando el modelo de clasificación de puntos de árboles.<\/A>

Clasificar puntos de árboles es útil para crear mapas base 3D de alta calidad, planificación urbana y flujos de trabajo forestales.<\/P>

 <\/P>

Próximos pasos<\/H2>Prueba los <\/SPAN>modelos deep learning en ArcGIS Living Atlas<\/A> <\/SPAN>por ti mismo. Lee más <\/SPAN>instrucciones detalladas<\/A> <\/SPAN>para usar los modelos deep learning en ArcGIS. ¿Tienes preguntas? Cuéntanos en <\/SPAN>GeoNet<\/A> <\/SPAN>cómo te están funcionando y qué otras tareas de extracción de características te gustaría que AI hiciera por ti!<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!