Глубокое обучение геопространственных моделей

За последние пару лет объём собираемых и распространяемых изображений увеличился на порядки. Глубокое обучение стало инструментом для эффективного извлечения значимой информации из этого гигантского массива. В октябре прошлого года в компании Esri разработали предварительно обученные геопространственные модели глубокого обучения.

Эти модели были предварительно обучены на больших объёмах данных, и их можно использовать с ходу или точно настроить в соответствии с местной географией, интересующими объектами или типом изображений. Разработчики утверждают, что больше не нужны огромные объёмы обучающих данных и изображений, гигантские вычислительные ресурсы или команды для самостоятельного обучения таких моделей. Предполагается, что с предварительно обученными моделями можно легко вводить необработанные данные или изображения и извлекать географические объекты.

Вот обзор некоторых обученных моделей.

Извлечение следа зданий 

Эта модель глубокого обучения используется для извлечения следов зданий в Африке из изображений с высоким разрешением (10–40 см). Слои контуров зданий полезны при подготовке базовых карт и рабочих процессов анализа для городского планирования и развития, страхования, налогообложения, обнаружения изменений, планирования инфраструктуры и множества других приложений.

Оценка участков

Эта модель глубокого обучения оценивает границы жилых участков путём интерпретации изображений с высоким разрешением (30–40 см). Традиционно картографирование участков выполняется с использованием высокоточных методов съемки, но это процесс дорогостоящий и трудоёмкий. Изображения с высоким разрешением всё чаще используются для определения границ участков, а использование моделей с глубоким наклоном может автоматизировать и ускорить этот процесс. Модель можно использовать для создания базовых карт, которые можно дополнительно уточнить путём ручного редактирования.

Слежение за объектами

Отслеживание объектов играет важную роль в наблюдении за дорогами, управлении дорожным движением и при городском планировании. Эта модель предназначена для автоматизации процесса и позволяет записывать обнаруженные данные непосредственно в базу геоданных.

Обнаружение бассейнов

Плавательные бассейны – важная часть отчётов об оценке налога на имущество. Налоговые инспекторы в местных органах власти часто полагаются на дорогостоящие и нечастые обследования, что приводит к неточностям оценки. Эта модель глубокого обучения помогает автоматизировать задачу поиска пулов на основе спутниковых снимков высокого разрешения.

Эта модель также может принести пользу компаниям по обслуживанию бассейнов в плане маркетинга. Агентства общественного здравоохранения и по борьбе с комарами также могут использовать эту модель для обнаружения бассейнов и проведения полевых работ и мероприятий по смягчению последствий.

Обнаружение солнечных панелей

Такая информация, как расположение, мощность и производство энергии солнечных панелей для различных округов и районов, необходима для понимания того, как сообщества используют солнечную энергию. На макроуровне государственные учреждения также могут использовать обнаружение солнечных панелей, чтобы предлагать налоговые льготы и кредиты для жителей, которые установили себе солнечные панели. Политики могут использовать его для оценки принятия и разработки схем по распространению информации и продвижению использования солнечной энергии в областях, где она не используется.

Традиционные способы получения информации об установке солнечных панелей, такие как опросы и выезд на место, требуют много времени и подвержены ошибкам. Вот где ценность этой модели действительно проявляется, поскольку она позволяет легко идентифицировать установки солнечных панелей и вычислять их размер путём интерпретации изображений с высоким разрешением.

Подсчёт скоплений народа

Подсчёт толпы по изображению – сложная задача. С развитием методов глубокого обучения были предложены различные методы подсчёта толпы в ответ на эту проблему. В этой модели используется методология сопоставления распределения для подсчёта толпы.

Искусственный интеллект используется для управления светофорами на ключевых многолюдных перекрестках. Модель подсчёта толпы также может использоваться для управления толпой, интеллектуальными транспортными системами и для управления объектами при соответствующем контроле со стороны человека.

Обнаружение автомобилей

Обнаружение автомобилей можно использовать для таких приложений, как управление и анализ дорожного движения, использование парковок, городское планирование, в качестве прокси для получения экономических показателей и оценки розничных продаж. Аэрофотоснимки высокого разрешения и изображения с дронов могут быть использованы для обнаружения автомобилей благодаря большому пространственно-временному охвату.

Обнаружение судов (SAR)

Обнаружение судов имеет решающее значение для ряда приложений, включая управление портовой деятельностью, мониторинг грузовой деятельности, спасение на море, национальную оборону и мониторинг незаконного рыболовства. Использование данных радара с синтезированной апертурой (SAR) для обнаружения объектов даёт дополнительное преимущество, заключающееся в возможности видеть сквозь облака, штормы и, что более важно (в отличие от оптических датчиков, которые ограничены съёмкой изображений в течение дня), датчики SAR могут собирать полезные данные в любое время – будь то день или ночь.

Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный канал на TamTam