Resultados inesperados produzidos por modelos pré-treinados usando geotiffs feitos a partir de imagens baixadas do Tile Map Server.

TopoTheMornin

Ao usar o Parkinglot Classification Model, High Resolution Land Cover Classification Model e Road Extraction Model, os modelos geram uma banda sólida em toda a minha extensão ou classificações zero. 

Estou buscando ajuda para obter clareza sobre os próximos passos apropriados ou que valham a pena. Por exemplo:<\/P>

• Minha imagem de 3 bandas é multispectral o suficiente? Minha imagem precisa de mais bandas? Se sim, eu poderia converter LAS (LiDAR) para Modelos Digitais de Elevação e juntá-los com as bandas que tenho? Que tipo de bandas devo adicionar? Minha imagem é muito diferente dos dados de treinamento dos modelos pré-treinados? Preciso ajustar finamente os modelos?<\/LI>
• Ou há alguma etapa de processamento que estou perdendo? (Eu tomei medidas para retroprojetar imagens quando apropriado. Revisei os guias. E extraí e adicionei bandas durante várias tentativas. Estou disposto a entrar mais nisso, se necessário.)<\/LI>
• Abaixo está uma visão geral de alto nível do que tentei, mas não é exaustiva. Por exemplo, estes são apenas exemplos dos parâmetros do modelo que tentei. Estou feliz em conversar mais 🙂<\/span>.<\/LI><\/UL>Imagens<\/H3>Exemplo para reproduzir imagens (Nosso cliente nos direcionou ao serviço de mapa tile abaixo e nos incentivou a usá-lo):<\/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>Todas as minhas imagens funcionaram e podem ser baixadas aqui:<\/P>springfield_test_area - Google Drive<\/A><\/P>

  springfield_output_image17.2.tif<\/STRONG><\/P>Nível de zoom do TMS: 17<\/LI>Tamanho da célula: 1.19<\/LI>Profundidade do pixel: 8 bits sem sinal<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image18.2.tif<\/STRONG><\/P>Nível de zoom do TMS: 18<\/LI>Tamanho da célula: 0.597<\/LI>Profundidade do pixel: 8 bits sem sinal<\/LI>3 bandas: RGB<\/LI><\/UL>google_springfield_output_image18.2.tif<\/STRONG><\/P>Nível de zoom do TMS: 18<\/LI>Tamanho da célula: 0.597<\/LI>Profundidade do pixel: 8 bits sem sinal<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image-3.tif<\/STRONG><\/P>Nível de zoom do TMS: 19<\/LI>Tamanho da célula: 0.29<\/LI>Profundidade do pixel: 8 bits sem sinal<\/LI>3 bandas: RGB<\/LI><\/UL>springfield_output_image20.tif<\/STRONG><\/P>Nível de zoom do TMS: 30<\/LI>Tamanho da célula: 0.149<\/LI>Profundidade do pixel: 8 bits sem sinal<\/LI>3 bandas: RGB<\/LI><\/UL>

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

  Entrada necessária: imagens de alta resolução (30 centímetros -1,2 metros), 8 bits, 3 bandas. Para detectar estacionamentos pequenos, imagens de resolução mais alta são altamente recomendadas.<\/P>

  *Ambas as saídas foram um raster de 1 banda, mostrando uma área sólida (preta), do tamanho da extensão da imagem.<\/P>

  springfield_output_image-3.tif (0,29 metro\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 metro\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>

  High Resolution Land Cover Classification - USA<\/A>

  Entrada necessária: imagens de alta resolu8 bits, com tr3 bandas e alta resolu0e7~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~7 cm).

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  
  

  Tipo GPU
  =====================
  Mensagens
  
  Hora de Início: Terça-feira, 17 de outubro de 2023 14:16:08
  Construindo Pirâmides...
  Concluído em Terça-feira, 17 de outubro de 2023 14:16:27 (Tempo Decorrido: 18,54 segundos)

  Extração de Pegada de Edifício - USA

  Entrada necessária: imagens de alta resolução (10–40 cm), 8 bits, 3 bandas

  Nível de Zoom da Imagem 20: 0,149291 metros/pixel

  *Este modelo funcionou muito bem para mim como esperado

  Detectar Objetos Usando Deep Learning
  =====================
  Parâmetros
  
  Raster de Entrada     springfield_output_image20.tif
  Objetos Detectados de Saída     C:\Users\GuestUser\Documents\ArcGIS\Projects\extract_springfieldroad\v3_roads.gdb\BuildingsSpringfieldNeighborhoodExtract
  Definição do Modelo     C:\Users\GuestUser\Downloads\usa_building_footprints.dlpk
  Argumentos     padding 128;batch_size 4;threshold 0.9;return_bboxes False;tile_size 512
  Supressão Não Máxima     NO_NMS
  Campo de Pontuação de Confiança     Confidence
  Campo de Valor da Classe     Class
  Razão Máxima de Sobreposição     0
  Modo de Processamento     PROCESS_AS_MOSAICKED_IMAGE
  =====================
  Ambientes
  
  ID da GPU     0
  Sistema de Coordenadas de Saída     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]]
  Fator de Processamento Paralelo     80%
  Extensão     -10388203.4459055 4458875.89868347 -10385663.0682562 4459610.48549814
  Tamanho da Célula     Springfield Neighborhood Extract Bands.tif
  Máscara     Springfield Neighborhood Extract Bands.tif
  Tipo de Processador     GPU
  =====================
  Mensagens
  
  Hora de Início: Terça-feira, 17 de outubro de 2023 11:31:47
  Concluído em Terça-feira, 17 de outubro de 2023 11:36:09 (Tempo Decorrido: 4 minutos 21 segundos)
  
  

  Notas:

  • Eu finalmente treinei meu próprio modelo usando classificação supervisionada de objetos via o assistente de classificação de imagem. Para isso usei uma combinação de bandas. Converti LAS (LiDAR) para Modelos Digitais de Elevação mostrando o ponto mínimo em células de 0,5971 metro, combinando com as bandas do springfield_output_image18.2.tif. Isso ajudou o modelo a diferenciar entre telhados e entradas para carros, por exemplo.