Résultats inattendus produits par des modèles pré-entraînés utilisant des geotiffs créés à partir d'images téléchargées depuis Tile Map Server.

TopoTheMornin

Lors de l'utilisation du Parkinglot Classification Model, du High Resolution Land Cover Classification Model et du Road Extraction Model, les modèles produisent soit une bande solide sur toute mon étendue, soit aucune classification. 

Je cherche de l'aide pour obtenir des éclaircissements sur les prochaines étapes appropriées ou utiles. Par exemple:<\/P>

• Mon imagerie 3 bandes est-elle suffisamment multispectrale ? Mon imagerie a-t-elle besoin de plus de bandes ? Si oui, pourrais-je convertir LAS (LiDAR) en Modèles Numériques d'Élévation et les joindre aux bandes que je possède ? Quel type de bandes devrais-je ajouter ? Mon imagerie est-elle trop différente des données d'entraînement des modèles pré-entraînés ? Dois-je affiner les modèles ?<\/LI>
• Ou y a-t-il une étape de traitement que j'aurais manquée ? (J'ai pris des mesures pour rétroprojeter l'imagerie lorsque c'était approprié. J'ai consulté les guides. Et j'ai extrait et ajouté des bandes lors de diverses tentatives. Je suis prêt à en discuter davantage, si nécessaire.)<\/LI>
• Ci-dessous un aperçu général de ce que j'ai essayé, mais ce n'est pas exhaustif. Par exemple, ce ne sont que des exemples de paramètres de modèle que j'ai testés. Je suis heureux d'en parler plus 🙂<\/span>.<\/LI><\/UL>Imagerie<\/H3>Exemple pour reproduire les images (Notre client nous a dirigés vers le service de tuiles ci-dessous et nous a encouragés à l'utiliser) :<\/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>Toutes mes images fonctionnant peuvent être téléchargées ici :<\/P>springfield_test_area - Google Drive<\/A><\/P>

  springfield_output_image17.2.tif<\/STRONG><\/P>Niveau de zoom du TMS : 17<\/LI>Taille de cellule : 1.19<\/LI>Profondeur des pixels : 8 bits non signé<\/LI>3 bandes : RGB<\/LI><\/UL>springfield_output_image18.2.tif<\/STRONG><\/P>Niveau de zoom du TMS : 18<\/LI>Taille de cellule : 0.597<\/LI>Profondeur des pixels : 8 bits non signé<\/LI>3 bandes : RGB<\/LI><\/UL>google_springfield_output_image18.2.tif<\/STRONG><\/P>Niveau de zoom du TMS : 18<\/LI>Taille de cellule : 0.597<\/LI>Profondeur des pixels : 8 bits non signé<\/LI>3 bandes : RGB<\/LI><\/UL>springfield_output_image-3.tif<\/STRONG><\/P>Niveau de zoom du TMS : 19<\/LI>Taille de cellule : 0.29<\/LI>Profondeur des pixels : 8 bits non signé<\/LI>3 bandes : RGB<\/LI><\/UL>springfield_output_image20.tif<\/STRONG><\/P>Niveau de zoom du TMS : 30<\/LI>Taille de cellule : 0.149<\/LI>Profondeur des pixels : 8 bits non signé<\/LI>3 bandes : RGB<\/LI><\/UL>

  Classification des parkings - USA<\/A><\/STRONG><\/H3>

  Entrée requise : imagerie haute résolution (30 centimètres -1,2 mètres), 8 bits, 3 bandes. Pour détecter les petits parkings, une imagerie à résolution plus élevée est fortement recommandée.<\/P>

  *Les deux sorties étaient un raster à une bande, affichant une zone solide (noire), correspondant à l'étendue de l'image.<\/P>

  springfield_output_image-3.tif (0,29 mètre par pixel)<\/EM><\/P>Classify Pixels Using Deep Learning\n=====================\nParameters\n\nInput Raster springfield_output_image-3.tif\nOutput Classified Raster C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl\nModel Definition C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk\nArguments padding 100;batch_size 10;predict_background True;test_time_augmentation True\nProcessing Mode PROCESS_AS_MOSAICKED_IMAGE\nOutput Folder \n=====================\nEnvironments\n\nGPU ID 1\nOutput Coordinate System 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]]\nParallel Processing Factor 90%\nExtent -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814\nCell Size springfield_output_image-3.tif\nProcessor Type GPU\n=====================\nMessages\n\nStart Time: Tuesday, October 17, 2023 1:36:13 PM\nBuilding Pyramids...\nSucceeded at Tuesday, October 17, 2023 1:36:32 PM (Elapsed Time: 19.47 seconds)\n\n<\/PRE>springfield_output_image18.2.tif (0,597 mètre par pixel) :<\/EM><\/P>Classify Pixels Using Deep Learning\n=====================\nParameters\n\nInput Raster springfield_output_image18.tif\nOutput Classified Raster C:\\Users\\GuestUser\\Documents\\ArcGIS\\Projects\\extract_springfieldroad\\v3_roads.gdb\\parking_springfield_image3_Cl\nModel Definition C:\\Users\\GuestUser\\Downloads\\ParkingLotClassification_USA.dlpk\nArguments padding 100;batch_size 20;predict_background True\nProcessing Mode PROCESS_AS_MOSAICKED_IMAGE\nOutput Folder \n=====================\nEnvironments\n\nGPU ID 1\nOutput Coordinate System 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]]\nSnap Raster springfield_output_image18.tif\nParallel Processing Factor 90%\nExtent -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814\nCell Size springfield_output_image18.tif\nProcessor Type GPU\n=====================\nMessages\n\nStart Time: Tuesday, October 17, 2023 1:47:01 PM\nBuilding Pyramids...\nSucceeded at Tuesday, October 17, 2023 1:47:20 PM (Elapsed Time: 19.05 seconds)\n\n<\/PRE>

  Classification haute résolution de la couverture terrestre - USA<\/A><\/STRONG>

  Entre9e requise: imagerie haute re9solution (80 -100 cm), 8 bits, 3 bandes.<2FP>

  springfield_output_image18.2E2.tif:<2FP>

  • Taille originale des cellules: 0.597 - Aucune classe identifie9e
  • Echantillonnage re9alise9 0.8 et 1 taille cellulaire2E Les deux ont renvoy2E z2E aucune classification.
  3Cul>3Cli>Cela a produit un raster avec les classes appropri2E es mais il 2E tait vide.

Pre>
Classify Pixels Using Deep Learning
=====================
Parameters

Input Raster springfield_output_image18_2_resampled_8
Output Classified Raster C:\Users", Type GPU
=====================
Messages

Heure de début : mardi 17 octobre 2023 14:16:08
Construction des pyramides...
Réussi le mardi 17 octobre 2023 14:16:27 (Temps écoulé : 18,54 secondes)

Extraction des empreintes de bâtiments - USA

Entrée requise : imagerie haute résolution 8 bits, 3 bandes (10–40 cm)

Niveau de zoom de l'imagerie 20 : 0,149291 mètres/pixel

*Ce modèle a bien fonctionné pour moi comme prévu

Détecter les objets en utilisant Deep Learning
=====================
Paramètres

Raster d'entrée     springfield_output_image20.tif
Objets détectés en sortie     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\BuildingsSpringfieldNeighborhoodExtract
Définition du modèle     C:\Users\GuestUser\Downloads\usa_building_footprints.dlpk
Arguments     padding 128;batch_size 4;threshold 0.9;return_bboxes False;tile_size 512
Suppression non maximale     NO_NMS
Champ du score de confiance     Confidence
Champ de la valeur de classe     Class
Ratio maximal de chevauchement     0
Mode de traitement     PROCESS_AS_MOSAICKED_IMAGE
=====================
Environnements

ID GPU     0
Système de coordonnées de sortie     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]]
Facteur de traitement parallèle     80%
Étendue     -10388203.4459055 4458875.89868347 -10385663.0682562 4459610.48549814
Taille de cellule     Springfield Neighborhood Extract Bands.tif
Masque     Springfield Neighborhood Extract Bands.tif
Type de processeur     GPU
=====================
Messages

Heure de début : mardi 17 octobre 2023 11:31:47
Réussi le mardi 17 octobre 2023 11:36:09 (Temps écoulé : 4 minutes 21 secondes)

Notes :

• J'ai finalement entraîné mon propre modèle en utilisant la classification supervisée d'objets via l'assistant de classification d'images. Pour cela, j'ai utilisé une combinaison de bandes. J'ai converti LAS (LiDAR) en Modèles Numériques d'Élévation montrant le point min dans des cellules de 0,5971 mètre, en le combinant avec les bandes de springfield_output_image18.2.tif. Cela a aidé le modèle à différencier entre les toits et les allées par exemple.