利用无人机和深度学习绘制坦桑尼亚桑给巴尔地图
引言
该项目是开源的R&D笔记本,记录了从高分辨率航拍/无人机影像中创建先进深度学习建筑检测器与分类器的全过程。它以一种直观的方式展示了如何实现这一目标,就像下面的交互式演示一样:
互动版本:https://alpha.anthropo.co/znz-demo
最新更新(2019年7月25日)
我们正在将所有内容重写为一系列在Google Colab上的交互式地理空间深度学习教程。
查看已发布的首个教程(2019年7月25日),涵盖了数据创建、模型创建、推理和评估的完整工作流程,用于建筑物分割:
早期开发笔记本可在/archive目录下找到,详细信息保留在下一行下方:
成果
截至2019年1月18日(内部验证仅限于grid 042):
| | 平均F1分数 | 基础F1 | 未完成F1 | 完成F1 | 所有建筑F1 | |-----------------------------|---------------|---------------|---------------|--------------|------------------| | 内部验证(grid 042) | 0.728 | 0.718 | 0.755 | 0.710 | 0.796 |
该项目在WeRobotics的开放AI坦桑尼亚挑战赛中排名前两名:
| | 平均F1分数 | 基础F1 | 未完成F1 | 完成F1 | 所有建筑F1 | |-----------------------------|---------------|---------------|---------------|--------------|------------------| | 最终测试(grids 059, 066) | 0.697 | 0.744 | 0.692 | 0.655 | 0.723 | | 内部验证(grid 042) | 0.696 | 0.683 | 0.749 | 0.656 | 0.757 |
背景
地图对于决策支持至关重要。知道建筑物的位置是城市规划、公共安全、公共卫生、灾难响应、环境保护、可持续发展和人口普查等许多应用的基本输入。
如需了解更多详情,请访问: 欢迎加入开放AI坦桑尼亚挑战
技术细节
项目采用了深度学习的最新进展,包括预训练的ResNet编码器,结合二元交叉熵和dice损失函数,进行像素级的建筑物定位。通过使用三个不同缩放级别的图像切片(z20、z19、z18),可以更准确地识别各种条件下的建筑物。然后,利用ResNet50进行建筑物状态分类,实现高达94%的准确性。
应用场景
这项技术适用于全球各地的城市规划者、救援组织和环境科学家,他们需要实时、高分辨率的地图来优化资源分配、灾害响应和可持续发展策略。例如,为太阳能板安装公司确定最合适的住宅位置,或在自然灾害后快速评估破坏程度。
项目特点
- 开源: 项目完全免费且可定制,让每个人都能参与到高精度地图的创建中。
- 深度学习: 利用强大的深度学习模型进行建筑物的精确检测与分类。
- 云原生: 支持在Google Colab上运行的交互式教程,无需本地硬件。
- 高效推理: 提供窗口化读取和子窗口化读取,可以在任意大小的云优化地球图像(COG)上进行推理。
- 广泛的应用: 适用于城市规划、灾害响应、环境监测等多种场景。
如果你想深入了解如何利用无人机和深度学习进行地图绘制,或者希望在你的工作中应用这些技术,这个项目绝对值得探索。立即行动,为创造更美好的世界贡献你的一份力量!