Справочник моделей
Здания
Обнаружение крыш зданий на изображениях высокого разрешения.
Модель обучена детектировать крыши зданий, и получает высокие результаты. Обучающая выборка в основном покрывает территорию России, включая большие и малые города, сельскую местность, и показывает хорошие результаты на всех вариантах.
В то же время, если ландшафт или тип застройки существенно отличаются от представленных (например, плотно застроенные кварталы, небоскребы или горные территории), то результаты могут быть менее качественными.
Обратите внимание: обнаруженные объекты площадью менее 25 квадратных метров удаляются, чтобы избежать зашумленности результатов.
Дополнительные опции:
Классификация типов зданий - нейросетевая модель определяет класс для каждого здания. См. документацию классов.
Высоты зданий - оцениваются по косвенным признакам - длине тени и видимой части стены. Кроме того, при выборе этой опции результатом будут уже не крыши, а основания зданий, то есть каждая крыша будет сдвинута туда, где согласно оценке высоты находится здание на уровне земли. Некоторые технические детали и подробности раскрыты в нашей статье (англ).
Полигонизация - Алгоритм позволяет исправлять неровности контуров нашей модели. Нерегулярная геомерия заменяется прямоугольниками, кругами или произвольными многоугольниками с прямыми углами, в зависимости от того, какой вариант больше подходит к исходной форме. Затем здания с упрощенной геометрией поворачиваются параллельно ближайшей дороге. Такая опция позволяет получить более пригодный для карт и ручного исправления результат, хотя точность расположения контура может несколько уменьшиться. Подробнее и с наглядными анимациями - в нашем блоге.
Склейка с OSM - Некоторые области имеют хорошее покрытие данными OpenStreetMap, и если вам больше подходят вручную размеченные данные, стоит выбрать эту опцию. В этом случае, мы проверяем каждое обнаруженное здание, и если для него находится хорошо соответствующий объект в OSM (индекс Жаккара больше 0.7), то мы заменяем обнаруженный объект на дом из OSM. При этом карта уже не полностью основана на изображении, поэтому здания могут быть сдвинуты, а также не учитываются изменения, произошедшие со времени внесения правок в OSM.
Пример результатов обработки
Ниже представлены результаты обработки с различными опциями (Прага, Чехия).
Результат без постобработки: здания неправильной формы, однако расположение и форма фигуры наиболее точно соответствует контуру крыши здания.
Результат с полигонизацией: большая часть зданий приобретает прямоугольную форму.
Результат с полигонизацией и склейкой с ОСМ: некоторые формы зданий стали более точными, однако появились смещения относительно изображения.
Здания (Аэрофото)
Модель разработана специально для детектирования небольших зданий и построек на аэрофотоснимках высокого разрешения (10 см на пиксель). Лучше всего подходит для жилых районов сельского и пригородного типов.
Мы не рекомендуем использовать данную модель в районах с высокой городской жилой или коммерческой застройкой. Вместо этого используйте стандартную модель зданий, даже для аэрофотоснимков.
Пример результатов обработки
Плотная застройка
Модель автоматического картирования зданий, специально обученная для областей с высокой плотностью застройки. Она дает более точные результаты для мест, где преобладает террасная и подобная плотная застройка. Например, на Ближнем Востоке, во многих странах Африки и т.д. Эта модель, как и базовая модель сегментации зданий, обнаруживает крыши.
Сегментация застройки сначала выделяет близко стоящие здания целыми кварталами, а затем разделяет квартал на отдельные строения, используя обнаруженные маркеры отдельных крыш и разделение на прямоугольную сетку или диаграмму Вороного.
Пример результатов обработки
Пример обработки территории с плотной застройкой (Тунис, Африка):
Стандартной моделью сегментации зданий, с полигонизацией
Моделью для высокой плотности застройки
Лес
Модель сегментации леса. Обучена на данных высокого разрешения (2 м) на территорию средней полосы и северных регионов России в летний период.
Результат включает в себя все области, покрытые древесно-кустарниковой растительностью, в том числе кустарники и редколесье. Разрешение модели не позволяет выделять отдельно стоящие деревья и узкие лесополосы, и детализировать границу лесной территории, но хорошо подходит для построения общей аналитической картины.
Модель достаточно устойчива для применения для различных территорий, включая Азию, Америку, Африку. Снимок должен быть сделан в период вегетации, деревья без зеленой листвы или скрытые снегом не являются целевым классом.
Постобработка:
Используются модели классификации плотности и высоты зарастаний, разделяя площадь покрытую древесно-кустарниковой растительностью на следующие классы:
Кустарники (частые или редкие) до 4 метров высотой;
Лес от 4 до 10 метров высотой, редкий;
Лес от 4 до 10 метров высотой, плотный;
Лес выше 10 метров высотой, редкий;
Лес выше 10 метров высотой, плотный;
Модель может быть использована для принятия решения о необходимости расчистки территории от зарастания.
Эта постобработка доступна для обработок площадью не менее 50 кв.км.
Пример результатов обработки
Результат обработки для средней полосы России (Татарстан)
Строительство
Модель выделяет области на спутниковом снимке, которые содержат строительные площадки и строящиеся здания. Используются данные сверхвысокого разрешения (0.3 - 0.5 м), обучение по территории России. Больше о мотивации и разработке модели можно узнать в нашем блоге.
Пример результатов обработки
Пример работы модели для территории с большим количеством стройплощадок и объектов.
Сельскохозяйственные поля
Модель распознавания сельскохозяйственных полей позволяет разметить поля и отделить их друг от друга, если есть видимая граница (лесополоса, дорога, различная стадия посадки). Обучена по данным высокого (1 - 1.2 м.) разрешения для территории Европы и России. Модель наиболее качественно работает для крупных полей в период вегетации; мелкие террасные поля ( типичные для Азии) разделяются хуже. Поля вне периода вегетации не являются целевым классом.
Пример результатов обработки
Результат обработки для Европы (Бельгия)
Результат обработки для Азии (Северная Индия)
Дороги
Модель сегментации дорог по данным высокого разрешения (0.3 - 0.5 м).
Обучена в основном на сельской местности. Использован подход многозадачного обучения (multi-task learning), позволяющий улучшить связность дороги, в том числе в тех местах, где дорога закрыта деревьями или зданиями. Отлично работает для трасс, междугородних дорог и проездов в частной застройке, однако для городских территорий с высотной застройкой и широкими дорогами результат получается как правило хуже.
Для большей стабильности ширины дороги и уменьшения шума используется выделение центральной линии дороги, оптимизация получившейся сети и затем обратное превращение дороги в полигональный объект.
В версии 1.1 добавлена постобработка дорожного графа:
упрощение (удаление лишних точек) для более удобного и компактного представления;
склеивание дорог в местах разрыва;
удаление дублирующих ребер;
удаление не присоединенных к сети и слишком коротких участков дороги;
выпрямление перекрестков.
Пример результатов обработки
Оптимальное для модели окружение - пригородная застройка, территория России.
Результат в более сложных городских условиях - Прага, Чехия.