Onverwachte resultaten uit pre-getrainde modellen met geotiffs gemaakt van afbeeldingen gedownload van Tile Map Server.

TopoTheMornin

Bij het gebruik van Parkinglot Classification Model, High Resolution Land Cover Classification Model en Road Extraction Model, geven de modellen ofwel een solide band over mijn gebied, of nul classificaties. 

Ik zoek hulp om meer duidelijkheid te krijgen over geschikte of zinvolle volgende stappen. Bijvoorbeeld:<\/P>

• Is mijn 3-band beeldmateriaal multispectraal genoeg? Heeft mijn beeldmateriaal meer banden nodig? Zo ja, kan ik LAS (LiDAR) omzetten naar Digitale Hoogtemodellen en deze combineren met de banden die ik heb? Wat voor soort banden moet ik toevoegen? Is mijn beeldmateriaal te verschillend van de trainingsdata van de voorgetrainde modellen? Moet ik de modellen fijn afstemmen? <\/LI>
• Of mis ik een verwerkingsstap? (Ik heb stappen ondernomen om beeldmateriaal te retrojecteren waar nodig. Ik heb de handleidingen doorgenomen. En ik heb tijdens verschillende pogingen banden geëxtraheerd en toegevoegd. Ik ga hier graag dieper op in indien nodig.)<\/LI>
• Hieronder staat een overzicht op hoofdlijnen van wat ik geprobeerd heb, maar het is niet uitputtend. Dit zijn bijvoorbeeld slechts voorbeelden van modelparameters die ik geprobeerd heb. Ik praat er graag meer over 🙂<\/span>.<\/LI><\/UL>Beeldmateriaal<\/H3>Voorbeeld om beelden te reproduceren (Onze klant verwees ons naar onderstaande tile map service en moedigde ons aan deze te gebruiken):<\/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>Al mijn gebruikte beelden kunnen hier worden gedownload:<\/P>springfield_test_area - Google Drive<\/A><\/P>

  springfield_output_image17.2.tif<\/STRONG><\/P>Zoomniveau van de TMS: 17<\/LI>Celgrootte: 1.19<\/LI>Pixeldiepte: 8 Bit unsigned<\/LI>3 banden: RGB<\/LI><\/UL>springfield_output_image18.2.tif<\/STRONG><\/P>Zoomniveau van de TMS: 18<\/LI>Celgrootte: 0.597<\/LI>Pixeldiepte: 8 Bit unsigned<\/LI>3 banden: RGB<\/LI><\/UL>google_springfield_output_image18.2.tif<\/STRONG><\/P>Zoomniveau van de TMS: 18<\/LI>Celgrootte: 0.597<\/LI>Pixeldiepte: 8 Bit unsigned<\/LI>3 banden: RGB<\/LI><\/UL>springfield_output_image-3.tif<\/STRONG><\/P>Zoomniveau van de TMS: 19<\/LI>Celgrootte: 0.29<\/LI>Pixeldiepte: 8 Bit unsigned<\/LI>3 banden: RGB<\/LI><\/UL>springfield_output_image20.tif<\/STRONG><\/P>Zoomniveau van de TMS: 30<\/LI>Celgrootte: 0.149<\/LI>Pixeldiepte: 8 Bit unsigned<\/LI>3 banden: RGB<\/LI><\/UL>

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

  Vereiste invoer: 8-bit, 3-band hoge resolutie (30 centimeter -1,2 meter) beeldmateriaal. Voor het detecteren van kleine parkeerterreinen wordt beeldmateriaal met hogere resolutie sterk aanbevolen.<\/P>

  *Beide outputs waren een 1-band raster, dat een solide (zwarte) kleur toonde ter grootte van het afbeeldingsgebied.<\/P>

  springfield_output_image-3.tif (.29 meter\pixel)<\/EM><\/P>Pixels classificeren met 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: dinsdag, 17 oktober 2023 13:36:13\nBuilding Pyramids...\nSucceeded at dinsdag, 17 oktober 2023 13:36:32 (Elapsed Time: 19,47 seconden)\n\n<\/PRE>springfield_output_image18.2.tif (0,597 meter\pixel):<\/EM>

  Pixels classificeren met Deep Learning
  =====================
  Parameters
  
  Input Raster     springfield_output_image18.tif
  Output Classified Raster     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\parking_springfield_image3_Cl
  Model Definition     C:\Users\GuestUser\Downloads\ParkingLotClassification_USA.dlpk
  Arguments     padding 100;batch_size 20;predict_background True
  Processing Mode     PROCESS_AS_MOSAICKED_IMAGE
  Output Folder     
  =====================
  Environments
  
  GPU ID     1
  Output 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]]
  Snap Raster     springfield_output_image18.tif
  Parallel Processing Factor     90%
  Extent     -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Cell Size     springfield_output_image18.tif
  Processor Type     GPU
  =====================
  Messages
  
  Start Time: dinsdag, 17 oktober 2023 13:47:01
  Building Pyramids...
  Succeeded at dinsdag, 17 oktober 2023 13:47:20 (Elapsed Time: 19,05 seconden)
  
  

  High Resolution Land Cover Classification - USA

  Vereiste invoer: 8-bit, 3-band hoge resolutie (80 -100 cm) beeldmateriaal.
  

  springfield_output_image18.2.tif:

  • originele celgrootte: 0,597 - Geen kenmerken geclassificeerd
  • Naar .8 en 1 celgroottes geresampled raster Beide gaven nul classificaties terug.
  • Dit leverde een raster op met de juiste klassen maar het was leeg.

  Pixels classificeren met Deep Learning
  =====================
  Parameters
  
  Input Raster     springfield_output_image18_2_resampled_8
  Output Classified Raster     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\springfield_output_image18_2_LandCoverClassification
  Model Definition     C:\Users\GuestUser\Downloads\HighResolutionLandCoverClassification_USA.dlpk
  Arguments     padding 128;batch_size 4;predict_background True;test_time_augmentation True;tile_size 512;detailed_classes True
  Processing Mode     PROCESS_AS_MOSAICKED_IMAGE
  Output Folder     
  =====================
  Environments
  
  GPU ID     1
  Output 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]]
  Extent     -10390321.9535106 4456296.1558014 -10382824.3535106 4461635.3558014
  Cell Size     springfield_output_image18_2_resampled_8
  Processor Type     GPU
  =====================
  Messages
  
  Start Time: dinsdag, januari 2, 2024 15:02:34
  Building Pyramids...
  Succeeded at dinsdag, januari 2, 2024 15:02:59 (Elapsed Time:24,10 seconden)
  
  

  Road Extraction - North America

  Vereiste invoer:8-bit,3-band hoge resolutie(30-50 cm) luchtfoto satellietbeeldmateriaal

  Beeld Zoom Niveau19 :  0,298582 meter per pixel

  *Dit leverde een leeg raster op met één klasse.

  Pixels classificeren met Deep Learning
  =====================
  Parameters
  
  Input Raster     springfield_output_image-3.tif
  Output Classified Raster     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\roads_springfield_image3_Cl
  Model Definition     C:\Users\GuestUser\Downloads\RoadsExtraction_NorthAmerica.dlpk
  Arguments     padding 10;batch_size 20;merge_policy max;threshold .05;test_time_augmentation True;merge_policy max
  Processing Mode     PROCESS_AS_MOSAICKED_IMAGE
  Output Folder     
  =====================
  Environments
  
  GPU ID     1
  Output 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]]
  Snap Raster     springfield_output_image-3.tif
  Parallel Processing Factor     90%
  Extent     -10388203.4459055 4458875.89868347 -10385663.2119361 4459610.48549814
  Cell Size     0,3
  Processor  Type     GPU
  =====================
  Berichten
  
  Starttijd: dinsdag 17 oktober 2023 14:16:08
  Piramides bouwen...
  Geslaagd op dinsdag 17 oktober 2023 14:16:27 (Verstreken tijd: 18,54 seconden)
  
  

  Building Footprint Extraction - USA

  Vereiste invoer: 8-bit, 3-band hoge resolutie (10–40 cm) beeldmateriaal

  Beeld Zoomniveau 20: 0,149291 meter/pixel

  *Dit model werkte voor mij zoals verwacht prima

  Detecteer Objecten met Deep Learning
  =====================
  Parameters
  
  Invoer Raster     springfield_output_image20.tif
  Uitvoer Gedetecteerde Objecten     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\BuildingsSpringfieldNeighborhoodExtract
  Modeldefinitie     C:\Users\GuestUser\Downloads\usa_building_footprints.dlpk
  Argumenten     padding 128;batch_size 4;threshold 0.9;return_bboxes False;tile_size 512
  Non Maximum Suppression     NO_NMS
  Vertrouwensscore Veld     Confidence
  Klasse Waarde Veld     Class
  Maximale Overlap Ratio     0
  Verwerkingsmodus     PROCESS_AS_MOSAICKED_IMAGE
  =====================
  Omgevingen
  
  GPU ID     0
  Uitvoer Coördinatenstelsel     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]]
  Parallelle Verwerkingsfactor     80%
  Uitbreiding     -10388203.4459055 4458875.89868347 -10385663.0682562 4459610.48549814
  Celgrootte     Springfield Neighborhood Extract Bands.tif
  Masker     Springfield Neighborhood Extract Bands.tif
  Processor Type     GPU
  =====================
  Berichten
  
  Starttijd: dinsdag 17 oktober 2023 11:31:47
  Geslaagd op dinsdag 17 oktober 2023 11:36:09 (Verstreken tijd: 4 minuten 21 seconden)
  
  

  Notities:

  • Ik heb uiteindelijk mijn eigen model getraind met behulp van supervised object classification via de image classification wizard. Hiervoor gebruikte ik een combinatie van banden. Ik heb LAS (LiDAR) omgezet naar Digital Elevation Models die het minimum punt tonen in cellen van 0,5971 meter, gecombineerd met de banden van springfield_output_image18.2.tif. Dit hielp het model bijvoorbeeld te onderscheiden tussen daken en opritten.