用于數(shù)字化和從圖像中提取特征的六個預先訓練的深度學習模型

作者：李睿編譯 2021-03-16 09:00:00

無處不在的傳感器每天都在收集大量圖像，而使用人工智能技術自動提取圖像特征的需求日益增加。深度學習模型可以輕松地自動完成從衛(wèi)星圖像分析、點云數(shù)據(jù)數(shù)字化，以及提取地理特征等繁瑣的工作和任務。

【51CTO.com快譯】無處不在的傳感器每天都在收集大量圖像，而使用人工智能技術自動提取圖像特征的需求日益增加。深度學習模型可以輕松地自動完成從衛(wèi)星圖像分析、點云數(shù)據(jù)數(shù)字化，以及提取地理特征等繁瑣的工作和任務。組織通過6個經(jīng)過預先訓練的深度學習模型，可以將其用于從提取建筑物足跡到檢測沉船的各種應用場景中。

1.建筑足跡提取

迄今為止，“建筑足跡提取”模型是最受歡迎的模型之一。這種深度學習模型用于從高分辨率(10～40 厘米)圖像中提取建筑足跡。提取建筑足跡可用于城市規(guī)劃和開發(fā)、保險、稅收、變更檢測、基礎設施規(guī)劃，以及各種其他應用的基礎地圖和分析工作流程等行業(yè)領域中。

使用新的深度學習模型可以自動提取建筑足跡

盡管這一模型是為美國本土設計的，但在全球其他地區(qū)的應用表現(xiàn)十分出色。下圖是一張展示了一些結果的故事地圖。該模型已經(jīng)更新并接受了更多數(shù)據(jù)的訓練。即使非常靠近建筑物，這種深度學習模型也能很好地識別，而原始模型無法做到這一點。在下圖中可以查看結果的差異：

在圖中將會注意到水體、碼頭和通常不存在建筑物的地方，其誤報率顯著下降。

2.道路提取

采用新的道路提取模型可以從衛(wèi)星圖像中提取道路軌跡。道路是任何縣、市、州或聯(lián)邦政府機構進行基礎設施規(guī)劃、城市規(guī)劃，以及開發(fā)高效的信息模型所需的主要GIS圖層之一。道路的數(shù)字化和更新可能非常耗時。這個模型將大部分的數(shù)字化過程實現(xiàn)了自動化。它基于多任務提取器arcgis.learn模型，這是一種十分先進的模型，可以提供道路各路段的連接，如下圖所示：

當使用語義分割模型(例如U-Net)時，從衛(wèi)星圖像中提取道路網(wǎng)絡通常會產(chǎn)生碎片化的路段。這是因為道路邊樹木、建筑物以及陰影造成的遮擋，衛(wèi)星圖像在道路提取方面造成了困難。該模型使用多任務學習，這受到人類通過沿特定方向進行跟蹤為道路提供注釋的啟發(fā)。

該模型還可以在下圖所示的土路和井場通道上使用。

3.土地覆蓋物分類

美國環(huán)境系統(tǒng)研究所(Esri)在2020年10月發(fā)布其第一個土地覆蓋物模型，該模型在美國國家土地覆蓋數(shù)據(jù)庫(NLCD)數(shù)據(jù)集上進行了訓練，并在Landsat-8衛(wèi)星圖像集進行工作。其生成的土地覆蓋物圖可用于理解城市規(guī)劃、資源管理、變更檢測、農(nóng)業(yè)以及各種其他需要與地球表面有關信息的應用程序。

如今，與Sentinel-2影像一起使用的具有更高分辨率的土地覆蓋物分類模型正在發(fā)布。該模型適用于歐洲各國。它還在CORINE Land Cover(CLC)2018上進行訓練，使用與生成數(shù)據(jù)庫相同的Sentinel-2場景。土地覆蓋物分類是一項復雜的工作，很難用傳統(tǒng)的方法來獲取。深度學習模型有很高的能力來學習這些復雜的語義并提供更好的結果，如下圖所示。

這張故事地圖顯示了該模型在多個地區(qū)的分類結果。

該模型還可以用于變化檢測，因為可以在兩個不同時間的圖像上運行它，并查看土地覆蓋物的變化，例如由野火引起的變化。在下圖中可以看到城市化的發(fā)展。新的居民區(qū)采用紅色陰影顯示。

4.人類居住區(qū)

高分辨率地圖無疑在了解人類居住區(qū)模式方面具有重要價值。而從相對分辨率較低的衛(wèi)星圖像中生成小型地圖也具有其自身的價值，可用于理解區(qū)域或全球增長模式、人口分布、資源管理、變化檢測以及各種其他統(tǒng)計數(shù)據(jù)。疫苗接種計劃就是一個例子，通過在地圖上標注的村莊，才能確保疫苗能夠提供給所有需要的人。

下圖顯示了新的人類居住區(qū)模型的結果，該模型適用于Landsat 8衛(wèi)星影像，并提取了這些人類居住區(qū)：