Библиотека Esri пополнилась новыми предварительно обученными моделями глубокого обучения. Теперь в ArcGIS Living Atlas of the World можно выбрать из 43 различных моделей!
Библиотека предварительно обученных моделей глубокого обучения в ArcGIS Living Atlas of the World пополняется! Устраняя необходимость в огромных объемах обучающих данных, огромных вычислительных ресурсах и обширных знаниях в области искусственного интеллекта (ИИ), пользователи могут использовать предварительно обученные модели для быстрого начала знакомства с применением нейросетей в ГИС.
По состоянию на сентябрь 2022 года пользователи ArcGIS могут выбирать из 43 различных предварительно обученных моделей. Эти модели доступны в виде пакетов глубокого обучения (DLPK) , которые можно использовать с ArcGIS Pro, Image Server и ArcGIS API for Python.
Расскажем кратко о некоторых новых моделях:
Извлечение границ водных объектов по радиолокационной съемке (SAR)
Деятельность по управлению водными ресурсами, такая как мониторинг изменяющегося русла рек, региональное планирование, борьба с наводнениями, сельское хозяйство — требуют картирования водоемов. Извлечение водных объектов из данных дистанционного зондирования позволяет оценить текущую ситуацию, а также проследить динамику процессов. Модель обучена на радиолокационных снимках Sentinel-1.
Извлечение водных поверхностей из радиолокационных снимков Sentinel-1
Извлечение контуров зданий, модель обучена по данным на Китай
Оцифровка контуров зданий на основе изображений требует много времени и обычно выполняется путем оцифровки объектов вручную. Попробуйте эту модель глубокого обучения для автоматизации процесса. Модель обучена на детальных изображениях с разрешением 15–25 см.
Извлечение контуров зданий с помощью нейросети, обученной на территории Китая.
Обнаружение деревьев можно использовать для таких приложений, как управление растительностью, лесное хозяйство, городское планирование и т. д. Эта модель глубокого обучения используется для обнаружения деревьев на изображениях с БПЛА или по аэрофотоснимкам высокого разрешения.
Обнаружение деревьев
Классификация земного покрова по аэрофотосъемке
Модель обучена на снимках с разрешением 10 см и создает растр, состоящий из 8 классов. Модель обучена по данным на штат Калифорния, США.
Классификация земного покрова по данным с БПЛА или высокодетальной аэрофотосъёмке
Создание маски облачного покрова по снимкам Sentinel-2
Многие алгоритмы исследования космоснимков требуют удаления облачного покрова из растров для анализа. Эту модель можно использовать для автоматического создания маски облаков из изображений Sentinel-2 с тремя классами облаков различной плотности.
Создание маски облаков по данным Sentinel-2
Предварительно обученная модель стандартизации адресов используется для преобразования неправильных и нестандартных адресов в стандартизированные адреса. Стандартизация адресов — это процесс форматирования и исправления адресов в соответствии с мировыми стандартами. Он включает в себя все необходимые элементы адреса (номер улицы, номер квартиры, название улицы, город, штат и почтовый индекс). Эта модель глубокого обучения прошла обучение на наборе адресных данных, предоставленном openaddresses.io, и может использоваться для стандартизации адресов из 10 стран.
Преобразование нестандартных адресов в стандартные адреса
Начать знакомство с нейросетями в ArcGIS можно с бесплатных уроков на сайте learn.arcgis, а также с веб-курса Deep Learning Using ArcGIS Pro (требуется техническая поддержка).
Полученные результаты можно использовать в множестве других приложений ArcGIS для решения отраслевых задач.
Пример операционной панели для оценки доли зелёных насаждений относительно застроенных территорий, созданной на базе конструктора ArcGIS Dashboards. Данные получены путем классификации нейросетью высокодетальной съёмки Алматы, размещенной в сервисе Esri World Imagery.
Данная панель носит демонстрационный характер.