《刘勇-GeoScene一站式人工智能平台.pdf》由会员分享,可在线阅读,更多相关《刘勇-GeoScene一站式人工智能平台.pdf(43页珍藏版)》请在三个皮匠报告上搜索。
1、GeoScene一站式人工智能平台易智瑞信息技术有限公司刘勇目录 GeoAI概述 GeoScene平台的GeoAI支撑体系 GeoAI核心能力 GeoScene平台的GeoAI应用人工智能人造出来的像人类一样思考和行动的机器,使得机器也拥有“多元智能理论”中的八种智能。人工智能发展史1943年MCP人工神经元模型1986年多层感知机BP算法 Sigmoid1989年卷积神经网络(LeNet)2012年Hinton提出AlexNet网络,首次采用ReLU激活函数首次使用GPU加速ImageNet图像识别大赛算法硬件数据人工智能发展史-三大学派人类认知的基本元素是符号,认知过程是符号表示上的一种运
2、算基于生物控制论和工程控制论构建感知-动作控制系统认为人工智能源于仿生学,研究神经网络及神经网络间的连接机制或行为主义或行为主义深度学习框架-对底层语言和重要算法模型进行封装-下接芯片,上承各种业务模型、行业应用为何需要深度学习框架?GeoAI将AI用于GIS领域的分析、方法和解决方案GeoAI:机器学习、深度学习在GIS的数据源和业务中得以应用AIGIS语音识别自然语音生成计算机视觉自然语言处理人脸识别即时视觉翻译数据采集时空大数据三维建模空间建模自动驾驶制图智能预测应用创建点云分类遥感影像分类、识别等点云三维模型重建交通预测、房价预测等AI数据空间分析与可视化GIS数据采集GeoAI位置数
3、据是GeoAI的引擎GeoScene GeoAI特点-全流程一键导出 多源异构数据预处理工具;一体化的标注管理、导出工具;支持样本增强;支持多种通用样本格式;样本制作丰富模型 Pytorch、TensorFlow等框架支持;20+深度学习模型 GPU训练模型训练高效推理 提供多种推理工具,支持场景实现;支持服务器端分布式推理;支持GPU推理推理CPU/GPU计算计算丰富工具 1700+工具;栅格、矢量等数据处理;后处理GeoScene ProGeoScene Image ServerGeoScene GeoAI特点-多场景以矩形外框的方式标出识别物体的位置算法:SSD、RetinaNet、Yo
4、LoV3、Fast-RCNN.对象检测对象识别的基础上切割出对象的轮廓算法:MaskRCNN实例分割对每一个像素划分类别,可用于提取地物、或进行土地利用类型分类算法:U-Net、PSPNETMMSegmentation.像素分类用来对图像进行分类,如拥挤的人群、图像中是否含有猫算法:Feature Classifier对象分类场景:树、车、飞机、游泳池、油井、构筑物、基于视频提取路面破损、路标等相关设施、车辆检测与计数、消防栓、井盖等场景:土地覆盖提取、建筑物提取、道路检测等场景:损坏建筑分类、干净或富营养化池塘、损坏的设备、识别植物种类等场景:建筑物提取、3D屋顶结构、污水池等从遥感影像中提
5、取道路。算法:MultiTaskRoadExtractor道路提取场景:顾名思义识别边缘像素。算法:BDCNEdgeDetectorHEDEdgeDetector边缘检测场景:建筑物边界提取、耕地边界、林地边界提取等GeoScene GeoAI特点-多场景提供图像的文本描述。算法:ImageCaptioner图像标注算法:FullyConnectedNetworkMLModelTimeSeriesModelEntityRecognizerTextClassifierSequenceToSequence自然语言处理将源域图像转换到目标域图像。算法:SuperResolutionCycleGANP
6、ix2Pix图像翻译场景:制图,去云.场景:生成影像描述用于点云分类和提取算法:PointCNN点云分割场景:分类点云数据(建筑物、地面)、电力线、电线杆的提取等场景:文本治理领域,如地址治理,含异常地址判断,地址补全纠正,地址结构化等在视频中识别物体并以矩形框的方式标示算法:DeepSortSiamMask视频对象追踪场景:识别移动目标,如车、人、船等识别图像中的变化区域。算法:ChangeDetector变化检测场景:城管查违拆违业务应用数据支持算法工具服务产品GeoScene平台的GeoAI支撑体系广泛的GIS业务场景多源GIS数据支持主流的AI算法、简单易用的AI后处理工具和服务即拿即
7、用的GeoAI产品应用层数据层算法服务层产品层产品层-即拿即用的产品个人用户企业级用户GeoScene Pro+影像分析扩展GeoScene EnterpriseImage ServerNotebook ServerPython APIJavaScript API样本标注样本导出训练推理后处理工具Pro+影像分析扩展(3.1)Enterprise+Image Server(3.1)自定义web编辑工具Notebook Server(3.1),RA借助RAPython API(在线免费),RA借助RA借助Enterprise+Image Server桌面端浏览器端定制开发开发者GeoScene
8、Pro便捷高效的样本标记工具GeoScene Pro提供丰富实用入口标注对象以供深度学习使用训练样本管理器区别:标注对象以供深度学习使用包含了样本导出工具支持已有样本的导入支持编辑GeoScene Pro深度学习能力模型训练训练轮数,默认为20。批量大小批量大小:一次计算的样本量。根据硬件算力设置。学习率:默认为空值,即会根据训练过程中的曲线自主选择合适的学习率。骨干模型骨干模型:基础网络或骨干网络。指定要用作训练新模型的架构的、预先配置的神经网络。这种方法称为迁移学习。丰富模型 Pytorch、TensorFlow等框架支持;24个深度学习模型 GPU训练模型训练输入图像必须是具有三个波段的
9、 8 位栅格指定是否冻结预训练模型中的骨干层,以使权重和偏差保持原始设计与训练模型具有相同模型类型和骨干模型GeoScene 深度学习能力模型训练结果评价emd是Pro在使用推断工具时必须指定的文件,里面记录了大量信息,如使用的模型和框架,精度,类别信息等pth文件是训练好的模型文件,它会被记录到emd文件 html页面是精度指标文件,用来查看模型的训练效果及其精度,以便对训练结果进行评估;dlpk文件深度学习包文件GeoScene 深度学习能力精度评价精度评价指标1.什么是TP、TN、FP、FNTP(True positives):正样本被正确识别为正样本。TN(True negatives
10、):负样本被正确识别为负样本。FP(False positives):假的正样本,即负样本被错误识别为正样本。FN(False negatives):假的负样本,即正样本被错误识别为负样本。2.Recall(召回率)是测试集中所有正样本样例中,被正确识别为正样本的比例。Recall=TP/(TP+FN)3.Precision(准确率)就是在识别出来的正样本中,True positives所占的比率。Precision=TP/(TP+FP)4.F1为精确率与召回率的调和均值,是用来衡量二分类模型精确度的一种指标。F1=2*(Precision*Recall)/(Precision+Recall)
11、混淆矩阵GeoScene 深度学习能力推理分析高效推理 提供多种推理工具,支持-分类像素-分类对象-检测对象-检测变化推理检测对象分类对像分类像素检测变化GeoScene Pro深度学习能力后处理工具GeoScene提供了1700+数据处理和分析工具涵盖栅格处理、矢量处理、数据转换、3D处理和分析、空间分析、地统计、机器学习、深度学习桌面端、服务器端、Web端均可使用众数滤波细化栅格转线/面规则化建筑物面平滑GeoScene Image Server-深度学习栅格分析Image Server 提供一套深度学习工具,用于分类和检测影像中的对象,生成训练样本数据集并将其导出至深度学习框架,以开发深
12、度学习模型。从而执行数据推断工作流,如影像分类和对象检测。GeoScene Notebook Server 机器学习利用流行的机器学习(如scikit-learn和TensorFlow)库进行回归和聚类分析,GeoScene API for Python深度学习Learn模块Geoscene.Learn模块算法层-GeoScene平台的机器学习算法分类聚类回归最大似然分类随机森林支持向量机ISO分类算法,图像分类空间约束多元聚类多元聚类基于密度的聚类聚类算法,支持空间聚类热点分析聚类和异常值分析时空挖掘分析经验贝叶斯克立金面插值(2D和3D)EBK回归预测普通最小二乘回归回归算法,轻松实现预测
13、地理加权回归广义线性回归基于随机森林的分类与回归算法层-GeoScene GeoAI深度学习算法模型序号大类小类模型英文名样本元数据格式模型推理工具1目标检测(对象检测)对象检测FasterRCNNPASCAL_VOC_rectangles使用深度学习检测对象2RetinaNet3YOLOv34SingleShotDetector5MMDetection6实例分割/对象检测MaskRCNNRCNN_Masks7语义分割(像素分类)像素分类UnetClassifierClassified_Tiles使用深度学习分类像素8PSPNetClassifier9DeepLab10边缘检测BDCNEdge
14、Detector11HEDEdgeDetector12道路提取MultiTaskRoadExtractor13ConnectNet14像素分类MMSegmentation15变化检测ChangeDetector使用深度学习检测变化16对象分类(分类)对象分类FeatureClassifierLabeled_Tiles、Multi-labeled Tiles使用深度学习分类对象17图像转换(图像翻译)风格迁移CycleGANCycleGAN使用深度学习分类像素18Pix2PixExport Tiles19Pix2PixHD20超分辨率SuperResolution21看图翻译ImageCapti
15、oner-Python API使用经过训练的模型对点云进行分类22点云分类点云分割PointCNN-23对象追踪视频对象追踪SiamMask-追踪24DeepSort-新增|点云分类在3D分析工具箱-点云-分类(深度学习)工具集中,包含点云样本导出、模型训练、模型推理全流程。用户同样可以零代码完成点云分类全流程!样本标注:更便捷的3D框选工具样本导出:准备点云训练数据模型训练:训练点云分类模型模型推理:使用训练模型对点云进行分类模型评估:评估点云分类模型新增|道路提取新增|变化检测 提供深度学习检测变化推理工具,变化检测模型ChangeDetector来源于STANet 此模型适用于单类别变化
16、检测,如建筑物增减、查违拆违等业务场景。前期影像后期影像变化区域变化检测模型新增|图像转换 Pix2Pix模型影像转地图低分辨影像转高分辨率图像 影像转地图 RGB 转多光谱 SAR 转 影像 DSM 转 影像 SuperResolution模型将一种类型的影像生成为另一种类型影像提高分辨率并改善影像质量新增|视频对象追踪多目标追踪目标追踪 Siam Mask 在追踪对象时非常有用,而Deep Soft模型在训练模型以追踪多个对象时非常有用。使用视频帧进行训练,并检测每一帧中对象的类别和边界框数据层自然语言文本资料、网页新闻将自然语言空间化视频FMV、移动测量系统、无人机视频视频中的目标检测点
17、云激光雷达点云提取电力线、建筑物、铁轨、路灯、红绿灯等矢量点、线、面要素对要素对象进行分类对矢量数据进行聚类分析和预测影像卫星影像、无人机影像图像分类、特征地物提取应用层GeoScene GeoAI应用场景交通应急农业油气自然资源环保审计自然资源调查自然资源资产管理耕地修复违法监察危化品提取、化工园区管理环保督查地表破坏黑臭水体农作物识别、健康调查风险区管理道路提取、飞机、船只、车辆的识别资产调查GeoAI机器学习应用AI制图使用GeoScene平台的聚类机器学习算法从不同风格的图片中获取配色并用于GIS制图GeoAI机器学习应用房价预测房价受诸多因素的影响,地段、周边配套、学校、交通通过Ge
18、oscene对多源数据组织,如学校数据、医院数据、商圈数据等影响房价的数据进行清洗和组织,使用构建多变量网格将这些数据与房价数据进行关联,使数据在地理空间维度上得到必要的信息丰富,然后基于随机森林分类和回归进行房价预测和结果输出。GeoAI深度学习应用地理国情普查地理国情普查是一项重大的国情国力调查,是全面获取地理国情信息的重要手段,是掌握地表自然、生态以及人类活动基本情况的基础性工作。普查内容:一是自然地理要素的基本情况,包括地形地貌、植被覆盖、水域、荒漠与裸露地等的类别、位置、范围、面积等,掌握其空间分布状况;二是人文地理要素的基本情况,包括与人类活动密切相关的交通网络、居民地与设施、地理
19、单元等的类别、位置、范围等,掌握其空间分布现状。GeoAI深度学习应用疑似违法用地图斑提取季度土地卫片执法(2019),以前一季度卫星影像为底图,以当前季度卫星影像为后时相,提取全国范围新增建设用地,与生态红线、基本农田、批地数据、禁止建设区等业务数据叠加,识别疑似违法建设用地,下发疑似违法图斑,进行实地核查,开展违法建设用地整治。GeoAI深度学习应用化学园区不同类型的罐体提取在化工园区的智慧化管理中,需要了解不同类型不同种类的罐体的具体数据和分布,以方便园区的安全管理和应急方案制定。利用深度学习像素分类模型可以提取不同类型的罐体并得到具体的数量和空间分布。GeoAI深度学习应用城市部件普查
20、之井盖提取 影像分辨率:0.05米 样本量:7800个 推理结果如下据统计目前中国的井盖保有量约50亿套以上;一个50万人口的城市每年对井盖的需求量为1-2万套,全国每年新增井盖数量和每年更换量至少在1500万套以上。而井盖的破损、移位、丢失以及井下水位、可燃气体、有害气体、有毒气体超标等信息不能在第一时间被获取,从而造成安全隐患问题。利用Geoscene的深度学习能力可以提取下水道井盖的数量和位置以及空间分布。GeoAI深度学习应用审计疑点自动提取高分辨率影像图高分辨率影像图目视解译目视解译确定审计区域确定审计区域AI算法算法批量检测批量检测提取水面上未拆提取水面上未拆除的水箱情况除的水箱情
21、况空间分析空间分析排查疑点图斑,并统计排查疑点图斑,并统计上上报报GeoAI深度学习应用水稻种植面积普查绘制水稻绘制水稻样本样本训练水稻训练水稻提取深度提取深度学习模型学习模型像素分类像素分类水稻种植水稻种植空间分布空间分布水稻种植分布GeoAI深度学习应用视频目标检测GeoScene GeoAI环境配置 硬件:CPU8核及以上,内存32G及以上,硬盘250G以上SSD固态硬盘,千兆网卡,nvidia显卡显存8G及以上。深度学习框架包:Deep Learning Libraries Installer for GeoScene Pro/Server 许可深度学习:GeoScene Pro3.1 标准版以上Image Analyst扩展模块后处理3D Analyst扩展(regularize)Spatial Analyst扩展(thin、major filter)Data Management工具箱(高级版含)GeoScene Enterprise 3.1标准版+Image server桌面端Web端GeoScene GeoAI体验中心GeoScene GeoAI解决方案010203即拿即用全流程多场景面向不同人群丰富的算法和工具多源数据支持模型训练模型推理后处理创建样本