Ці моделі можна адаптувати під конкретні завдання за допомогою інструменту Train Deep Learning Model, що дозволяє користувачам навчати власні нейромережі на основі унікальних наборів даних. Такий підхід не лише прискорює процес обробки просторової інформації, а й відкриває нові можливості для досліджень у сферах екології, містобудування, безпеки, сільського господарства та багатьох інших.
У цій статті ми розглянемо, як скористатися перевагами ArcGIS Living Atlas of the World та інтегрувати глибоке навчання у власні GIS-проєкти.
Приклади моделей
- Модель глибокого навчання для виявлення автомобілів на зображеннях із високою роздільною здатністю – ця модель використовується для виявлення автомобілів на знімках безпілотників або аерофотознімках високої роздільної здатності. Виявлення автомобіля можна використовувати для таких додатків, як управління та аналіз дорожнього руху, використання паркувальних місць, міське планування тощо. Його також можна використовувати як проксі для отримання економічних показників і оцінки роздрібних продажів. Аерофотознімки високої роздільної здатності та знімки безпілотників можна використовувати для виявлення автомобілів завдяки високому просторово-часовому охопленню.
- Модель глибокого навчання для виявлення дерев на зображеннях із високою роздільною здатністю – ідентифікація дерев можна використовувати для таких завдань, як управління рослинністю, лісове господарство, міське планування тощо. Аерофотознімки та знімки з дронів високої роздільної здатності можна використовувати для виявлення дерев завдяки широкому просторово-часовому охопленню.
- Модель глибокого навчання для виявлення вітрових турбін за допомогою зображень високої роздільної здатності – ця модель глибокого навчання може автоматизувати виявлення вітрових турбін шляхом інтерпретації зображень високої роздільної здатності.
- Модель глибокого навчання для виявлення розливів нафти в даних Sentinel-1 SAR – ця модель глибокого навчання автоматизує завдання виявлення потенційних розливів нафти на основі даних Sentinel-1 SAR. Крім того, що вони недорогі, дані SAR збираються вдень і вночі за будь-яких погодних умов без впливу хмарного покриву. Використовуйте цю модель для виявлення потенційних розливів нафти, які потребують перевірки або моніторингу, що значно скорочує час і зусилля.
- Модель глибокого навчання для виявлення сонячних панелей із зображень високої роздільної здатності – традиційні способи отримання інформації про встановлення сонячних панелей, такі як опитування та виїзди на об’єкти, займають багато часу та можуть викликати помилки. Моделі глибокого навчання мають високу здатність вивчати складну семантику та можуть давати чудові результати. Використовуйте цю модель глибокого навчання, щоб автоматизувати завдання виявлення сонячних панелей, значно скорочуючи час і зусилля.
- Модель глибокого навчання для виявлення та класифікації паркувальних місць на зображеннях високої роздільної здатності
- Модель глибокого навчання для виявлення змін у будівлях на знімках з високою роздільною здатністю дронів або аерофотознімках
- Модель глибокого навчання для окреслення сільськогосподарських полів за допомогою зображень Sentinel-2
Переглянути моделі тут