С помощью инструментов ArcGIS GeoAI вы можете использовать предварительно обученные модели глубокого обучения или обучать свои собственные модели для извлечения объектов из необработанных данных, например, для обнаружения деревьев, оцифровки контуров зданий или создания карт растительного покрова.
Установите библиотеки глубокого обучения, необходимые для запуска рабочих процессов глубокого обучения в ArcGIS Pro, и научитесь решать наиболее часто встречающиеся проблемы.
Используйте многоцелевую модель GeoAI с языковой подсказкой в свободной форме для обнаружения лодок на изображениях Копенгагена.
Использование инструмента GeoAI и предварительно обученной модели для исследования пальм.
Используйте трансферное обучение для тонкой настройки предварительно обученной модели глубокого обучения в ArcGIS Pro и получения более высоких результатов при извлечении контуров зданий в районе Сиэтла.
Используйте предварительно обученную модель глубокого обучения для извлечения почвенно-растительного покрова из снимков БПЛА высокого разрешения.
Извлеките контуры зданий из изображений с помощью глубокого обучения и примените растровые функции для выполнения анализа подверженности оползням.
Используйте предварительно обученную модель глубокого обучения для извлечения пикселей воды из наборов данных Sentinel-1 до и после наводнения и выполните анализ выявления изменений, чтобы определить области затопления в Сент-Луисе, штат Миссури, в 2019 году.
Выполните автоматизированную оценку ущерба для домов после разрушительных пожаров Вулси.
Используйте глубокое обучение, чтобы определить ареалы мангровых лесов в Мумбаи, Индия, и то, как они менялись с течением времени.
Выполните классификацию облака точек лидара, используя методы глубокого обучения, чтобы классифицировать линии электропередач.
Идентификация деревьев на плантации и оценка их состояния здоровья при помощи снимка.
Постройте и проверьте модель, которую можно использовать для автоматической идентификации дорожных знаков с помощью ArcGIS Survey123.
Используйте инструмент Обучение с использованием AutoDL, чтобы обучить несколько моделей глубокого обучения и выбрать наиболее эффективную из них для решения задачи классификации растительного покрова на уровне пикселей.