陳佳慧-GeoScene深度學習技術介紹與實踐.pdf

《陳佳慧-GeoScene深度學習技術介紹與實踐.pdf》由會員分享，可在線閱讀，更多相關《陳佳慧-GeoScene深度學習技術介紹與實踐.pdf（26頁珍藏版）》請在三個皮匠報告上搜索。

1、GeoScene深度學習技術介紹與實踐易智瑞信息技術有限公司成都分公司陳佳慧人工智能 與 GeoScene平臺GeoScene平臺機器學習深度學習人工智能CNTKTensorFlowGeoScene平臺Theano自然語言處理視頻游戲行為人工智能機器人KerasIBM Watsonscikit-learn計算機視覺GeoScene中的深度學習GeoScene的深度學習能力廣泛的GIS業務場景多源的GIS數據支持主流優秀的算法即拿即用的產品產品桌面端服務器端開發算法、工具和服務以矩形外框的方式標出識別物體的位置算法：SSD、RetinaNet、YoLoV3、Fast-RCNN.對象檢測對象識別的

2、基礎上切割出對象的輪廓算法：MaskRCNN實例分割對每一個像素劃分類別，可用于提取地物、或進行土地利用類型分類算法：U-Net、PSPNETMMSegmentation.像素分類用 于 點 云 分類和提取算法：PointCNN點云分割用來對圖像進行分類，如擁擠的人群、圖像中是否含有貓算法：Feature Classifier對象分類在視頻中識別物體并以矩形框的方式標示算法：DeepSortSiamMask視頻對象追蹤算法、工具和服務提供圖像的文本描述。算法：ImageCaptioner圖像標注從遙感影像中提取道路。算法：MultiTaskRoadExtractor道路提取更多識別邊緣像素。算

3、法：BDCNEdgeDetectorHEDEdgeDetector邊緣檢測將源域圖像轉換到目標域圖像。算法：SuperResolutionCycleGANPix2Pix圖像翻譯識別圖像中的變化區域。算法：ChangeDetector變化檢測算法、工具和服務序號大類小類模型英文名樣本元數據格式模型推理工具1目標檢測（對象檢測）對象檢測FasterRCNNPASCAL_VOC_rectangles使用深度學習檢測對象2RetinaNet3YOLOv34SingleShotDetector5MMDetection6實例分割/對象檢測MaskRCNNRCNN_Masks7語義分割（像素分類）像素分類U

4、netClassifierClassified_Tiles使用深度學習分類像素8PSPNetClassifier9DeepLab10邊緣檢測BDCNEdgeDetector11HEDEdgeDetector12道路提取MultiTaskRoadExtractor13ConnectNet14像素分類MMSegmentation15變化檢測ChangeDetector使用深度學習檢測變化16對象分類（分類）對象分類FeatureClassifierLabeled_Tiles、Multi-labeled Tiles使用深度學習分類對象17圖像轉換（圖像翻譯）風格遷移CycleGANCycleGAN使

5、用深度學習分類像素18Pix2PixExport Tiles19Pix2PixHD20超分辨率SuperResolution21看圖翻譯ImageCaptioner-Python API使用經過訓練的模型對點云進行分類22點云分類點云分割PointCNN-23對象追蹤視頻對象追蹤SiamMask-追蹤24DeepSort-算法、工具和服務Geoscene提供了1700+數據處理和分析工具涵蓋柵格處理、矢量處理、數據轉換、3D處理和分析、空間分析、地統計、機器學習、深度學習桌面端、服務器端、Web端均可使用數據源點云視頻影像要素自然語言衛星影像、無人機影像目標檢測、地物提取、建筑物頂面分割激光雷

6、達點云提取電力線、建筑物、鐵軌、路燈、紅綠燈等矢量大數據對要素對象進行分類FMV、移動測量系統、無人機視頻視頻中的目標檢測文本資料、網頁新聞將自然語言空間化場景對象識別像素分類地對空導彈(SAM)陣地Catfish對象分類污水坑實例分割棕櫚樹游泳池油井磚窯水上養殖網箱道路提取土地覆蓋建筑物頂部損壞的建筑物民居統計油罐提取空地提取對象檢測智慧農業之植株識別像素分類地理國情監測專題地表覆蓋提取實例分割汽車識別實例分割和對象分類山火損失評估GeoScene中的深度學習實踐一鍵導出 多源異構數據預處理工具；一體化的標注管理、導出工具；支持樣本增強；支持多種通用樣本格式；豐富模型 Pytorch、Ten

7、sorFlow等框架支持；20+深度學習模型 GPU訓練模型訓練模型訓練高效推理 提供多種推理工具，支持場景實現；支持服務器端分布式推理；支持GPU推理推理推理GPUGPU支持支持豐富工具 1700+工具；柵格、矢量等數據處理；后處理后處理即拿即用的 深度學習技術Pro提供豐富實用入口標注對象以供深度學習使用訓練樣本管理器選擇具有代表性的樣本導入已有樣本需包含類別和類值字段樣本標記將樣本制作成“樣本對（labels/metadata）”以供模型訓練根據欲使用的模型選擇相應的元數據格式變化檢測時一次性導出前后時相數據樣本導出訓練數據24種深度學習模型GPU訓練根據損失曲線走勢反復迭代模型訓練深度

8、學習模型豐富的深度學習模型，適合各種場景序號大類小類模型英文名樣本元數據格式模型推理工具1目標檢測（對象檢測）對象檢測FasterRCNNPASCAL_VOC_rectangles使用深度學習檢測對象2RetinaNet3YOLOv34SingleShotDetector5MMDetection6實例分割/對象檢測MaskRCNNRCNN_Masks7語義分割（像素分類）像素分類UnetClassifierClassified_Tiles使用深度學習分類像素8PSPNetClassifier9DeepLab10邊緣檢測BDCNEdgeDetector11HEDEdgeDetector12道路提

9、取MultiTaskRoadExtractor13ConnectNet14像素分類MMSegmentation15變化檢測ChangeDetector使用深度學習檢測變化16對象分類（分類）對象分類FeatureClassifierLabeled_Tiles、Multi-labeled Tiles使用深度學習分類對象17圖像轉換（圖像翻譯）風格遷移CycleGANCycleGAN使用深度學習分類像素18Pix2PixExport Tiles19Pix2PixHD20超分辨率SuperResolution21看圖翻譯ImageCaptioner-Python API使用經過訓練的模型對點云進行分

10、類22點云分類點云分割PointCNN-23對象追蹤視頻對象追蹤SiamMask-追蹤24DeepSort-Pro中的推理工具：對象檢測：要素圖層，帶類別和置信區間分類對象：要素圖層/表格像素分類：柵格圖層，像素值變化檢測：柵格圖層推理“眾數濾波”工具移除誤分類的像元“邊界清理”工具對區域進行平滑處理“區域合并”工具識別聚類Nibble 工具去除小區域相交（intersect）工具提取要素GIS后處理和分析能力規則化建筑物覆蓋區平滑Geoscene提供了1700+數據處理和分析工具涵蓋柵格處理、矢量處理、數據轉換、3D處理和分析、空間分析、地統計GeoScene中深度學習的優勢1.內置豐富的模型，支持多種場景；2.支持深度學習全流程；3.即拿即用的產品和工具，面向各種人群；4.完整而強大的生態系統，構建完整的業務應用。