Apresentando modelos de deep learning geoespacial prontos para uso

VinayViswambharan1

<\/HEAD>

Com o fluxo intenso de imagens que chega diariamente de uma variedade de sensores, a necessidade de usar AI para automatizar a extração de características só aumenta. Para garantir que sua organização esteja preparada, a Esri está levando a AI para o próximo nível. Estamos muito entusiasmados em anunciar o lançamento de modelos de AI geoespaciais prontos para uso <\/SPAN>no ArcGIS Living Atlas<\/A>.<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

Visão Geral do Artigo:<\/STRONG> <\/SPAN>A Esri está trazendo modelos de deep learning prontos para uso para nossa comunidade de usuários através do ArcGIS Online.<\/P><\/BLOCKQUOTE><\/DIV>Para começar, adicionamos três modelos — extração de pegadas de edifícios e classificação de cobertura do solo a partir de imagens de satélite, e outro modelo para classificar pontos que representam árvores em conjuntos de dados de nuvem de pontos.<\/P>Com as capacidades existentes no ArcGIS, você tem sido capaz de treinar <\/SPAN>

mais de uma dúzia de modelos de deep learning<\/A> <\/SPAN>em conjuntos de dados geoespaciais e derivar produtos informacionais usando o ArcGIS API for Python ou ArcGIS Pro, e ampliar o processamento usando o ArcGIS Image Server.<\/P><\/DIV>Pegadas de edifícios extraídas automaticamente usando o novo modelo de deep learning<\/A>

Estes modelos recém-lançados são revolucionários! Eles foram pré-treinados pela Esri em grandes volumes de dados e podem ser usados imediatamente (sem necessidade de treinamento!) para automatizar a tarefa tediosa de digitalizar e extrair características geográficas a partir de imagens de satélite e conjuntos de dados de nuvem de pontos. Eles trazem o poder da AI e do deep learning para a comunidade de usuários da Esri. Além disso, esses modelos de deep learning estão acessíveis para qualquer pessoa com uma assinatura do ArcGIS Online sem custo adicional.<\/P>

 <\/P>

Usando os modelos<\/H2>Usar esses modelos é simples. Você pode usar ferramentas de geoprocessamento (como a ferramenta <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>) no ArcGIS Pro com os modelos de imagem. Aponte a ferramenta para as imagens e o modelo baixado, e é só isso – deep learning nunca foi tão fácil! Uma GPU, ainda que não seja necessária<\/EM>, pode ajudar a acelerar o processo. Com o ArcGIS Enterprise, você pode ampliar a inferência usando <\/SPAN>Image Server.<\/A><\/P>

<\/DIV>Usando o modelo de extração da pegada do edifício no ArcGIS Pro

Em breve, você poderá consumir o modelo diretamente no 

ArcGIS Online Imagery<\/_A> <\/_SPAN>e executá-lo contra suas próprias imagens carregadas—tudo isso sem um deployment do ArcGIS Enterprise. A <\/_SPAN>solução Basemaps em 3D<\/_A> <\/_SPAN>também está sendo aprimorada para usar o modelo de classificação dos pontos das árvores e criar modelos realistas em 3D das árvores a partir das nuvens brutas dos pontos.<\/_P> <\/_P>

Como você pode se beneficiar desses modelos deep learning?<\/_H2>Provavelmente nem precisa dizer que extrair manualmente características das imagens—como digitalizar pegadas ou gerar mapas da cobertura do solo—é demorado. O deep learning automatiza esse processo e minimiza significativamente a interação manual necessária para criar esses produtos. No entanto, treinar seu próprio modelo deep learning pode ser complicado – ele precisa de muitos dados, recursos computacionais extensos e conhecimento sobre como funciona o deep learning.<\/_P> <\/_P><\/_DIV>Exemplo das pegadas dos edifícios extraídas - Woodland, CA<\/_A>

Com os modelos prontos para uso, você não precisa mais investir tempo e energia na extração manual das características ou no treinamento do seu próprio modelo deep learning. Esses modelos foram treinados com dados provenientes de várias geografias e funcionam bem em todas elas. À medida que novas imagens chegam, você pode extrair facilmente as características com um clique, produzindo camadas dos conjuntos GIS para mapeamento, visualização e análise.<\/_P>

<\/_DIV>

Exemplo das pegadas dos edifícios extraídas - Palm Islands, Dubai<\/_A>

 

Conheça os três primeiros modelos que lançamos < /H2 >< P style = "margin :10 px auto !important 20 px auto !important ;padding-left :60 .4167 px ;padding-right :60 .4167 px ; " > Três modelos deep learning estão agora disponíveis no ArcGIS Online . (Fique atento para mais modelos no futuro!). Esses modelos estão disponíveis como pacotes deep learning (DLPKs) que podem ser usados com ArcGIS Pro , Image Server e 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 ; " >< STRONG style = "font-weight :500 ; " >1 . Extração da Pegada do Edifício < /STRONG >< SPAN >&nbsp ; < / SPAN > O modelo é usado para extrair pegadas dos edifícios a partir de imagens satelitais em alta resolução . Embora tenha sido projetado para os Estados Unidos contíguos , ele apresenta um desempenho razoável em outras partes do globo . < / P >< DIV class = " " >< IMG alt = "O modelo apresenta desempenho razoável em outras partes do globo . Resultados em Ulricehamn , Suécia." class = " " src = "https://www.esri.com/arcgis-blog/wp-content/uploads/2020/10/5Sweden2-1.jpg " title = "O modelo apresenta desempenho razoável em outras partes do globo . Resultados em Ulricehamn , Suécia." / >< / 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">O modelo apresenta um desempenho razoável em outras partes do mundo. Resultados de Ulricehamn, Suécia.<\/A>Aqui está um story map<\/A> <\/SPAN>apresentando alguns dos resultados. Camadas de footprint de edifícios são úteis para criar basemaps e em fluxos de trabalho de análise para planejamento e desenvolvimento urbano, seguros, tributação, detecção de mudanças e planejamento de infraestrutura.<\/P>2. Classificação de Cobertura do Solo<\/STRONG> <\/SPAN>modelo é usado para criar um produto de cobertura do solo usando imagens Landsat 8. A cobertura do solo classificada terá as mesmas classes do <\/SPAN>National Land Cover Database<\/A>. Os mapas de cobertura do solo resultantes são úteis para planejamento urbano, gestão de recursos, detecção de mudanças e agricultura.<\/P>

<\/DIV>Mapa de cobertura do solo classificado usando imagens Landsat 8

Este modelo genérico foi treinado no <\/SPAN>

National Land Cover Database (NLCD)<\/A> <\/SPAN>2016 com as mesmas cenas Landsat 8 que foram usadas para produzir o banco de dados. A classificação da cobertura do solo é um exercício complexo e difícil de capturar por meios tradicionais. Modelos de deep learning têm alta capacidade para aprender essas semânticas complexas e fornecer resultados superiores.<\/P>3. Classificação de Pontos de Árvores<\/STRONG> <\/SPAN>modelo pode ser usado para classificar pontos que representam árvores em conjuntos de dados point cloud.<\/P><\/DIV>Cena 3D criada empregando o modelo de classificação de pontos de árvores.<\/A>

Classificar pontos de árvores é útil para criar basemaps 3D de alta qualidade, planejamento urbano e fluxos de trabalho florestais.<\/P>

 <\/P>

Próximos passos<\/H2>Experimente os <\/SPAN>modelos deep learning no ArcGIS Living Atlas<\/A> <\/SPAN>por conta própria. Leia mais <\/SPAN>instruções detalhadas<\/A> <\/SPAN>para usar os modelos deep learning no ArcGIS. Tem dúvidas? Conte para nós no <\/SPAN>GeoNet<\/A> <\/SPAN>como eles estão funcionando para você, e quais outras tarefas de extração de feições você gostaria que a AI fizesse para você!<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!