Présentation des modèles d'apprentissage profond géospatiaux prêts à l'emploi

VinayViswambharan1

<\/HEAD>

Avec le flot continu d'images qui arrive quotidiennement de divers capteurs, le besoin d'utiliser l'IA pour automatiser l'extraction des caractéristiques ne fait que croître. Pour s'assurer que votre organisation soit prête, Esri porte l'IA à un niveau supérieur. Nous sommes très heureux d'annoncer la sortie de modèles d' <\/SPAN>AI géospatiaux prêts à l'emploi sur ArcGIS Living Atlas<\/A>.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Aperçu de l'article:<\/STRONG> <\/SPAN>Esri apporte des modèles d'apprentissage profond prêts à l'emploi à notre communauté d'utilisateurs via ArcGIS Online.<\/P><\/BLOCKQUOTE><\/DIV>Pour commencer, nous avons ajouté trois modèles — extraction des empreintes de bâtiments et classification de la couverture terrestre à partir d'images satellites, ainsi qu'un autre modèle pour classifier les points représentant des arbres dans des ensembles de données de nuages de points.<\/P>Avec les capacités existantes dans ArcGIS, vous avez pu entraîner <\/SPAN>

plus d'une douzaine de modèles d'apprentissage profond<\/A> <\/SPAN>sur des ensembles de données géospatiales et dériver des produits d'information en utilisant l'ArcGIS API for Python ou ArcGIS Pro, et augmenter le traitement avec ArcGIS Image Server.<\/P><\/DIV>Empreintes de bâtiments extraites automatiquement à l'aide du nouveau modèle d'apprentissage profond<\/A>

Ces modèles nouvellement publiés changent la donne ! Ils ont été pré-entraînés par Esri sur d'énormes volumes de données et peuvent être utilisés immédiatement (aucun entraînement requis !) pour automatiser la tâche fastidieuse de numérisation et d'extraction des caractéristiques géographiques à partir d'images satellites et de jeux de données de nuages de points. Ils apportent la puissance de l'IA et de l'apprentissage profond à la communauté des utilisateurs Esri. De plus, ces modèles d'apprentissage profond sont accessibles à toute personne disposant d'un abonnement ArcGIS Online sans coût supplémentaire.<\/P>

 <\/P>

Utilisation des modèles<\/H2>L'utilisation de ces modèles est simple. Vous pouvez utiliser les outils de géotraitement (comme l' <\/SPAN>outil Detect Objects Using Deep Learning<\/A> <\/SPAN>) dans ArcGIS Pro avec les modèles d'imagerie. Pointez l'outil vers les images et le modèle téléchargé, et c'est tout – l'apprentissage profond n'a jamais été aussi facile ! Un GPU, bien que non nécessaire<\/EM>, peut aider à accélérer le processus. Avec ArcGIS Enterprise, vous pouvez augmenter la capacité d'inférence en utilisant <\/SPAN>Image Server.<\/A><\/P>

<\/DIV>Utilisation du modèle d'extraction des empreintes de bâtiments dans ArcGIS Pro

Bientôt, vous pourrez consommer le modèle directement dans 

ArcGIS Online Imagery<\/A> <\/> et l'exécuter sur vos propres images téléchargées — tout cela sans déploiement ArcGIS Enterprise. La solution <\/>3D Basemaps<\/><\/> est également améliorée pour utiliser le modèle de classification des points d'arbre et créer des modèles réalistes d'arbres en 3D à partir des nuages de points bruts.<\/>P>&nbsp ;<\/>P >

Comment pouvez-vous bénéficier de ces modèles d'apprentissage profond ?<\/>H2 >Il va sans dire que manuellement<\/> extraire les caractéristiques des images — comme numériser les empreintes ou générer des cartes de couverture terrestre — prend beaucoup de temps. L'apprentissage profond automatise le processus et réduit considérablement l'interaction manuelle nécessaire pour créer ces produits. Cependant, entraîner votre propre modèle d'apprentissage profond peut être compliqué — il nécessite beaucoup de données, des ressources informatiques étendues et une connaissance du fonctionnement de l'apprentissage profond.<\/>P > &nbsp ; <\/> P ><\/> DIV >Exemple d'empreintes de bâtiments extraites - Woodland, CA <\/> A >

Avec les modèles prêts à l'emploi, vous n'avez plus besoin d'investir du temps et de l'énergie pour extraire manuellement les caractéristiques ou entraîner votre propre modèle d'apprentissage profond. Ces modèles ont été entraînés sur des données provenant de diverses géographies et fonctionnent bien sur celles-ci. À mesure que de nouvelles images arrivent, vous pouvez facilement extraire les caractéristiques en un clic, et produire des couches de jeux de données SIG pour la cartographie, la visualisation et l'analyse.<\/> P >

<\/> DIV >

Exemple d'empreintes de bâtiments extraites - Palm Islands, Dubai <\/> A >

 <\/> P >

Découvrez les trois premiers modèles que nous avons publiés<\/> H2 >Trois modèles d'apprentissage profond sont désormais disponibles dans ArcGIS Online. (Attendez-vous à plus de modèles à l'avenir!). Ces modèles sont disponibles sous forme de packages d'apprentissage profond (DLPKs) pouvant être utilisés avec ArcGIS Pro, Image Server et ArcGIS API for Python.<\/> P >1. Modèle Building Footprint Extraction<\/> est utilisé pour extraire les empreintes des bâtiments à partir d'images satellites haute résolution. Bien qu'il soit conçu pour les États-Unis contigus, il fonctionne assez bien dans d'autres parties du globe.<\/> P > < \ / DIV > < A href ="https:\/ \ /www.esri.com \ /arcgis-blog \ /wp-content \ /uploads \ /2020 \ /10 \ /5Sweden2-1.jpg" style ="color:#0079c1;text-decoration:none;" target ="_blank" rel ="nofollow noopener noreferrer">Le modèle fonctionne assez bien dans d'autres parties du globe. Résultats d'Ulricehamn, Suède.<\/A>Voici une story map<\/A> <\/SPAN>présentant certains des résultats. Les couches d'empreintes de bâtiments sont utiles pour créer des basemaps et dans les flux de travail d'analyse pour la planification et le développement urbains, l'assurance, la fiscalité, la détection de changements et la planification des infrastructures.<\/P>2. Classification Landcover<\/STRONG> <\/SPAN>le modèle est utilisé pour créer un produit de couverture terrestre en utilisant les images Landsat 8. La couverture terrestre classifiée aura les mêmes classes que la <\/SPAN>National Land Cover Database<\/A>. Les cartes de couverture terrestre résultantes sont utiles pour la planification urbaine, la gestion des ressources, la détection de changements et l'agriculture.<\/P>

<\/DIV>Carte de couverture terrestre classifiée utilisant les images Landsat 8

Ce modèle générique a été entraîné sur la <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 avec les mêmes scènes Landsat 8 qui ont été utilisées pour produire la base de données. La classification de la couverture terrestre est un exercice complexe et difficile à capturer par des moyens traditionnels. Les modèles deep learning ont une grande capacité à apprendre ces sémantiques complexes et donnent des résultats supérieurs.<\/P>3. Classification Tree Point<\/STRONG> <\/SPAN>le modèle peut être utilisé pour classifier les points représentant des arbres dans des ensembles de données point cloud.<\/P><\/DIV>Scène 3D créée en utilisant le modèle de classification tree point.<\/A>

Classifier les points d'arbres est utile pour créer des basemaps 3D de haute qualité, la planification urbaine et les flux de travail forestiers.<\/P>

 <\/P>

Étapes suivantes<\/H2>Essayez les <\/SPAN>modèles deep learning dans ArcGIS Living Atlas<\/A> <\/SPAN>par vous-même. Lisez plus <\/SPAN>instructions détaillées<\/A> <\/SPAN>pour utiliser les modèles deep learning dans ArcGIS. Vous avez des questions ? Faites-le nous savoir sur <\/SPAN>GeoNet<\/A> <\/SPAN>comment ils fonctionnent pour vous, et quelles autres tâches d'extraction de caractéristiques vous aimeriez que l'IA fasse pour vous !<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!