Introductie van kant-en-klare geospatiale deep learning modellen

VinayViswambharan1

<\/HEAD>

Met de stortvloed aan beelden die dagelijks binnenkomen van verschillende sensoren, neemt de behoefte aan het gebruik van AI om feature-extractie te automatiseren alleen maar toe. Om ervoor te zorgen dat uw organisatie voorbereid is, brengt Esri AI naar een hoger niveau. We zijn erg enthousiast om de release aan te kondigen van kant-en-klare geospatiale <\/SPAN>AI-modellen op de ArcGIS Living Atlas<\/A>.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Artikeloverzicht:<\/STRONG> <\/SPAN>Esri brengt kant-en-klare deep learning modellen naar onze gebruikersgemeenschap via ArcGIS Online.<\/P><\/BLOCKQUOTE><\/DIV>Om te beginnen hebben we drie modellen toegevoegd




















bouwvoetafdrukextractie en landbedekkingsclassificatie uit satellietbeelden, en een ander model om punten die bomen vertegenwoordigen in point cloud datasets te classificeren.<\/P>Met de bestaande mogelijkheden in ArcGIS kon u al meer dan een dozijn deep learning modellen trainen <\/SPAN>

op geospatiale datasets<\/A> <\/SPAN>en informatieproducten afleiden met behulp van de ArcGIS API for Python of ArcGIS Pro, en de verwerking opschalen met ArcGIS Image Server.<\/P><\/DIV>Bouwvoetafdrukken automatisch geëxtraheerd met het nieuwe deep learning model<\/A>

Deze nieuw uitgebrachte modellen zijn een game changer! Ze zijn door Esri voorgetraind op enorme hoeveelheden data en kunnen direct worden gebruikt (geen training nodig!) om de saaie taak van digitaliseren en extraheren van geografische kenmerken uit satellietbeelden en point cloud datasets te automatiseren. Ze brengen de kracht van AI en deep learning naar de Esri gebruikersgemeenschap. Bovendien zijn deze deep learning modellen toegankelijk voor iedereen met een ArcGIS Online abonnement zonder extra kosten.<\/P>

 <\/P>

De modellen gebruiken<\/H2>Het gebruik van deze modellen is eenvoudig. U kunt geoprocessing tools gebruiken (zoals de <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>tool) in ArcGIS Pro met de beeldmodellen. Wijs de tool naar de beelden en het gedownloade model, en dat is het zo ongeveer 0deep learning is nog nooit zo eenvoudig geweest! Een GPU, hoewel niet noodzakelijk<\/EM>, kan helpen om het proces te versnellen. Met ArcGIS Enterprise kunt u de inferentie opschalen met behulp van Image Server.<\/A><\/P>

<\/DIV>Het gebruik van het bouwvoetafdrukextractiemodel in ArcGIS Pro

Binnenkort kunt u het model direct gebruiken in 

ArcGIS Online Imagery<\/A> <\/>span> en het toepassen op uw eigen geüploade beelden 0zonder een ArcGIS Enterprise implementatie. De <\/>3D Basemaps oplossing<\/> <\/> wordt ook verbeterd om het boom puntclassificatiemodel te gebruiken en realistische 3D boommodellen te creëren uit ruwe point clouds.<\/>p> & nbsp ; <\/>p>

Hoe kunt u profiteren van deze deep learning modellen? <\/>h2> Het spreekt waarschijnlijk voor zich dat & nbsp ; handmatig <\/>em> & nbsp ; <\/>het extraheren van kenmerken uit beelden - zoals het digitaliseren van voetafdrukken of het genereren van landbedekkingskaarten - tijdrovend is. Deep learning automatiseert het proces en minimaliseert aanzienlijk de handmatige interactie die nodig is om deze producten te maken. Het trainen van uw eigen deep learning model kan echter ingewikkeld zijn - het vereist veel data, uitgebreide computerbronnen en kennis over hoe deep learning werkt.<\/>p> & nbsp ; <\/>p> <\/>div> < a href = \ "https://www.esri.com/arcgis-blog/wp-content/uploads/2020/10/WoodlandCalifornia.jpg \ " style = \ "color:#0079c1;text-decoration:none \ " target = \ "_blank \ " rel = \ "nofollow noopener noreferrer \ "> Voorbeeld bouwvoetafdrukken geëxtraheerd - Woodland, CA < / a > < p style = \ "margin :10 px auto!important 20 px auto!important;padding-left :60 .4167 px;padding-right :60 .4167 px ; \ "> Met kant-en-klare modellen hoeft u niet langer tijd en energie te investeren in handmatig extraheren van kenmerken of het trainen van uw eigen deep learning model. Deze modellen zijn getraind op data uit verschillende geografische gebieden en werken goed over deze gebieden heen. Zodra er nieuwe beelden binnenkomen, kunt u gemakkelijk kenmerken extraheren met één druk op de knop en lagen GIS-datasets produceren voor mapping, visualisatie en analyse.< / p > < div class = \ " \ ">< / div > < a href = \ "https://www.esri.com/arcgis-blog/wp-content/uploads/2020/10/4PalmIslandDubai.jpg \ " style = \ "color:#0079c1;text-decoration:none \ " target = \ "_blank \ " rel = \ "nofollow noopener noreferrer \ "> Voorbeeld bouwvoetafdrukken geëxtraheerd - Palm Islands, Dubai < / a > < p style = \ "margin :10 px auto!important 20 px auto!important;padding-left :60 .4167 px;padding-right :60 .4167 px ; \ "> & nbsp ; < / p > < h2 style = \ "font-weight :300 ;font-size :1 .9994 rem ;margin :10 px auto!important 20 px auto!important;padding-left :60 .4167 px;padding-right :60 .4167 px ; \ " id = \ "toc-hId-1014516860 \ "> Maak kennis met de eerste drie modellen die we hebben uitgebracht < / h2 > < p style = \ "margin :10 px auto!important 20 px auto!important;padding-left :60 .4167 px;padding-right :60 .4167 px ; \ "> Drie deep learning modellen zijn nu beschikbaar in ArcGIS Online. (Houd toekomstige releases in de gaten!). Deze modellen zijn beschikbaar als deep learning pakketten (DLPK's) die kunnen worden gebruikt met ArcGIS Pro, Image Server en ArcGIS API for Python.< / p > < p style = \ "margin :10 px auto!important 20 px auto!important;padding-left :60 .4167 px;padding-right :60 .4167 px ; \ ">1. Building Footprint Extraction< / strong >& nbsp ; model wordt gebruikt om bouwvoetafdrukken te extraheren uit hoge resolutie satellietbeelden. Hoewel het is ontworpen voor de aaneengesloten Verenigde Staten, presteert het redelijk goed in andere delen van de wereld.< / p > < div class = \ " \ ">Het model presteert redelijk goed in andere delen van de wereld. Resultaten uit Ulricehamn, Zweden.<\/A>Hier is een story map<\/A> <\/SPAN>die enkele van de resultaten presenteert. Gebouwvoetafdruklagen zijn nuttig voor het maken van basemaps en in analyseworkflows voor stedelijke planning en ontwikkeling, verzekering, belastingheffing, veranderingdetectie en infrastructuurplanning.<\/P>2. Landcover Classification<\/STRONG> <\/SPAN>model wordt gebruikt om een landbedekkingsproduct te maken met behulp van Landsat 8-beelden. De geclassificeerde landbedekking zal dezelfde klassen hebben als de <\/SPAN>National Land Cover Database<\/A>. De resulterende landbedekkingskaarten zijn nuttig voor stedelijke planning, hulpbronnenbeheer, veranderingdetectie en landbouw.<\/P>

<\/DIV>Geclassificeerde landbedekkingskaart met Landsat 8-beelden

Dit generieke model is getraind op de <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 met dezelfde Landsat 8-scènes die werden gebruikt om de database te produceren. Landbedekkingsclassificatie is een complexe oefening en moeilijk vast te leggen met traditionele methoden. Deep learning-modellen hebben een hoge capaciteit om deze complexe semantiek te leren en leveren superieure resultaten.<\/P>3. Tree Point Classification<\/STRONG> <\/SPAN>model kan worden gebruikt om punten die bomen vertegenwoordigen te classificeren in point cloud-datasets.<\/P><\/DIV>3D-scène gemaakt door gebruik te maken van het tree point classification-model.<\/A>

Het classificeren van boompunten is nuttig voor het creëren van hoogwaardige 3D-basemaps, stedelijke planning en bosbouwworkflows.<\/P>

 <\/P>

Volgende stappen<\/H2>Probeer de <\/SPAN>deep learning models in ArcGIS Living Atlas<\/A> <\/SPAN>zelf uit. Lees meer <\/SPAN>gedetailleerde instructies<\/A> <\/SPAN>voor het gebruik van de deep learning-modellen in ArcGIS. Heeft u vragen? Laat het ons weten op <\/SPAN>GeoNet<\/A> <\/SPAN>hoe ze voor u werken en welke andere feature extraction-taken u graag door AI zou willen laten uitvoeren!<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!