【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星圖像分析、點云數據數字化，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劃和開發、保險、稅收、變更檢測、基礎設施規劃，以及各種其他應用的基礎地圖和分析工作流程等行業領域中。

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，但在全球其他地區的應用表現十分出色。下圖是一張展示了一些結果的故事地圖。該模型已經更新并接受了更多數據的訓練。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星圖像中提取道路軌跡。道路是任何縣、市、州或聯邦政府機構進行基礎設施規劃、城市規劃，以及開發高效的信息模型所需的主要GIS圖層之一。道路的數字化和更新可能非常耗時。這個模型將大部分的數字化過程實現了自動化。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，從衛星圖像中提取道路網絡通常會產生碎片化的路段。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。

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

美國環境系統研究所(Esri)在2020年10月發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據庫(NLCD)數據集上進行了訓練，并在Landsat-8衛星圖像集進行工作。其生成的土地覆蓋物圖可用于理解城市規劃、資源管理、變更檢測、農業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，使用與生成數據庫相同的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展。新的居民區采用紅色陰影顯示。

4.人類居住區

高分辨率地圖無疑在了解人類居住區模式方面具有重要價值。而從相對分辨率較低的衛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計數據。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模型的結果，該模型適用于Landsat 8衛星影像，并提取了這些人類居住區：

通過這個模型，可以看到城市化進程將如何影響全球各地的變化。例如，可以在下圖看到2015年至2021年阿聯酋沙迦周圍的人類足跡是如何增加的：

適用于Sentinel影像的人類居住區提取模型。

5.沉船檢測

除了航拍圖像外，這些新模型還包括一個利用水深數據探測水下沉船的模型。雖然這是一個利基行業，是保持S57航海圖一個關鍵的要求。航道的沉船沒有埋標記會導致災難，將損壞船只或港口，并造成生命和財產損失。

該模型包括一個提供必要的預處理步驟，并簡化了處理過程的地理處理工具。

6.模糊圖像中的車牌和人臉

隨著傳感器數量的大幅增加以及大量數據的涌入，諸如隱私之類的問題成為人們關注的問題。研究機構發布了兩種模型來滿足這一需求。這些模型用于匿名化或模糊街景圖像中的人臉和汽車牌照。可以將這些模型與ArcGIS Pro中的“使用深度學習對像素進行分類”工具一起使用。

模型的示例結果如下圖所示：

[[387769]]

這些只是過去幾個月中為自動化和簡化工作流程而開發的一些模型。

原文標題：6 Pre-Trained DL Models to Digitize and Extract Features from Imagery，作者：David Cardella

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】