【51CTO.com快译】无处不在的传感器每天都在收集大量图像，而使用人工智能技术自动提取图像特征的需求日益增加。深度学习模型可以轻松地自动完成从卫星图像分析、点云数据数字化，以及提取地理特征等繁琐的工作和任务。组织通过6个经过预先训练的深度学习模型，可以将其用于从提取建筑物足迹到检测沉船的各种应用场景中。
1.建筑足迹提取
迄今为止，“建筑足迹提取”模型是最受欢迎的模型之一。这种深度学习模型用于从高分辨率(10～40 厘米)图像中提取建筑足迹。提取建筑足迹可用于城市规划和开发、保险、税收、变更检测、基础设施规划，以及各种其他应用的基础地图和分析工作流程等行业领域中。
使用新的深度学习模型可以自动提取建筑足迹
尽管这一模型是为美国本土设计的，但在全球其他地区的应用表现十分出色。下图是一张展示了一些结果的故事地图。该模型已经更新并接受了更多数据的训练。即使非常靠近建筑物，这种深度学习模型也能很好地识别，而原始模型无法做到这一点。在下图中可以查看结果的差异：
在图中将会注意到水体、码头和通常不存在建筑物的地方，其误报率显著下降。
2.道路提取
采用新的道路提取模型可以从卫星图像中提取道路轨迹。道路是任何县、市、州或联邦政府机构进行基础设施规划、城市规划，以及开发高效的信息模型所需的主要GIS图层之一。道路的数字化和更新可能非常耗时。这个模型将大部分的数字化过程实现了自动化。它基于多任务提取器arcgis.learn模型，这是一种十分先进的模型，可以提供道路各路段的连接，如下图所示：
当使用语义分割模型(例如U-Net)时，从卫星图像中提取道路网络通常会产生碎片化的路段。这是因为道路边树木、建筑物以及阴影造成的遮挡，卫星图像在道路提取方面造成了困难。该模型使用多任务学习，这受到人类通过沿特定方向进行跟踪为道路提供注释的启发。
该模型还可以在下图所示的土路和井场通道上使用。
3.土地覆盖物分类
美国环境系统研究所(Esri)在2020年10月发布其第一个土地覆盖物模型，该模型在美国国家土地覆盖数据库(NLCD)数据集上进行了训练，并在Landsat-8卫星图像集进行工作。其生成的土地覆盖物图可用于理解城市规划、资源管理、变更检测、农业以及各种其他需要与地球表面有关信息的应用程序。
如今，与Sentinel-2影像一起使用的具有更高分辨率的土地覆盖物分类模型正在发布。该模型适用于欧洲各国。它还在CORINE Land Cover(CLC)2018上进行训练，使用与生成数据库相同的Sentinel-2场景。土地覆盖物分类是一项复杂的工作，很难用传统的方法来获取。深度学习模型有很高的能力来学习这些复杂的语义并提供更好的结果，如下图所示。
这张故事地图显示了该模型在多个地区的分类结果。
该模型还可以用于变化检测，因为可以在两个不同时间的图像上运行它，并查看土地覆盖物的变化，例如由野火引起的变化。在下图中可以看到城市化的发展。新的居民区采用红色阴影显示。
4.人类居住区
高分辨率地图无疑在了解人类居住区模式方面具有重要价值。而从相对分辨率较低的卫星图像中生成小型地图也具有其自身的价值，可用于理解区域或全球增长模式、人口分布、资源管理、变化检测以及各种其他统计数据。疫苗接种计划就是一个例子，通过在地图上标注的村庄，才能确保疫苗能够提供给所有需要的人。
下图显示了新的人类居住区模型的结果，该模型适用于Landsat 8卫星影像，并提取了这些人类居住区：
通过这个模型，可以看到城市化进程将如何影响全球各地的变化。例如，可以在下图看到2015年至2021年阿联酋沙迦周围的人类足迹是如何增加的：
适用于Sentinel影像的人类居住区提取模型。
5.沉船检测
除了航拍图像外，这些新模型还包括一个利用水深数据探测水下沉船的模型。虽然这是一个利基行业，是保持S57航海图一个关键的要求。航道的沉船没有埋标记会导致灾难，将损坏船只或港口，并造成生命和财产损失。
该模型包括一个提供必要的预处理步骤，并简化了处理过程的地理处理工具。
6.模糊图像中的车牌和人脸
随着传感器数量的大幅增加以及大量数据的涌入，诸如隐私之类的问题成为人们关注的问题。研究机构发布了两种模型来满足这一需求。这些模型用于匿名化或模糊街景图像中的人脸和汽车牌照。可以将这些模型与ArcGIS Pro中的“使用深度学习对像素进行分类”工具一起使用。
模型的示例结果如下图所示：
这些只是过去几个月中为自动化和简化工作流程而开发的一些模型。
原文标题：6 Pre-Trained DL Models to Digitize and Extract Features from Imagery，作者：David Cardella
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
