MarkTechPost · 02.08.2026 ·Машинное обучение

Практическое руководство по GeoAI: извлечение контуров зданий со спутниковых снимков

Опубликован подробный технический гайд по созданию пайплайна для автоматического распознавания контуров зданий на аэрофотоснимках NAIP. В основе решения лежит комбинированный подход с использованием архитектур U-Net, Grounding DINO, SAM и Mask R-CNN. Авторы описывают полный цикл обработки данных: от подготовки геопространственных датасетов и генерации масок сегментации до обучения моделей глубокого обучения для высокоточного картографирования.

Процесс начинается с настройки среды для работы с геоданными, включая загрузку растровых изображений и векторных меток. Важным этапом является проверка пространственных свойств данных и создание геопривязанных фрагментов изображений. Такой подход позволяет эффективно подготовить обучающую выборку для моделей компьютерного зрения, адаптированных к специфике спутниковых снимков высокого разрешения.

В архитектурном решении U-Net с энкодером ResNet-34 сочетается с возможностями Grounding DINO для детекции объектов и Segment Anything Model (SAM) для уточнения границ. Использование Mask R-CNN дополняет пайплайн инструментами для инстанс-сегментации, что критически важно при работе с плотной городской застройкой, где объекты часто перекрывают друг друга или имеют сложную геометрию.

Ключевые факты

Исходные данные: аэрофотоснимки высокого разрешения NAIP (National Agriculture Imagery Program).
Основные архитектуры: U-Net (с ResNet-34), Grounding DINO, SAM (Segment Anything Model) и Mask R-CNN.
Этапы пайплайна: настройка среды, обработка растров, создание геопривязанных чипов и генерация масок сегментации.
Цель: автоматизация извлечения контуров зданий для задач геоинформационных систем и городского планирования.

Источник: MarkTechPost

Обсудить с ИИ

Похожие материалы

Lobsters · Машинное обучение Геолокация по фото с помощью глубокого обучения Разработчик реализовал систему для определения места съемки фотографий на основе визуальных признаков, используя методы глубокого обучения. Модель анализирует характерные особенности ландшафта, растительности и архитектуры, сопоставляя их с глобальными географическими данными. Проект демонстрирует возможности компьютерного зрения в задачах пространственной привязки изображений, достигая высокой точности предсказания координат без использования метаданных EXIF. arXiv · Машинное обучение Автоматизация поиска молочных ферм на спутниковых снимках с помощью слабого обучения Исследователи представили метод слабого обучения для обнаружения молочных ферм на спутниковых снимках. Решение переводит задачу в плоскость пространственно-временного ранжирования кандидатов, что позволяет обходить проблему неполной разметки данных. Алгоритм анализирует совокупность признаков, включая границы полей, дорожную сеть, инфраструктурные объекты и сезонную динамику растительности, обеспечивая высокую точность идентификации сельскохозяйственных площадок без необходимости в сплошной ручной разметке. MarkTechPost · Данные и инжиниринг Построение end-to-end пайплайна для OCR на базе модели Baidu Unlimited-OCR Разработан комплексный рабочий процесс для автоматизированной обработки документов с использованием модели Baidu Unlimited-OCR. Решение позволяет эффективно извлекать данные из изображений высокого разрешения и многостраничных PDF-файлов, включая сложные табличные структуры и контент, распределенный по нескольким страницам. Пайплайн включает настройку GPU-среды и выбор между режимами инференса для баланса между детализацией и скоростью обработки. arXiv · ИИ в бизнесе Компьютерное зрение для мониторинга лесных массивов Исследователи представили метод создания детальных карт структуры лесов, объединяющий данные национальной инвентаризации, лазерного сканирования с воздуха (LiDAR) и спутниковых снимков. Использование алгоритмов компьютерного зрения позволяет автоматизировать процесс обработки разрозненных данных, которые традиционно имеют разную точность и временные метки. Такой подход обеспечивает создание актуальных карт лесного покрова, необходимых для эффективного управления ресурсами и оценки рисков возникновения лесных пожаров. MarkTechPost · ИИ в бизнесе Руководство по созданию 3D-сцен с помощью LingBot-Map LingBot-Map представляет собой пайплайн для потоковой 3D-реконструкции, позволяющий преобразовывать последовательности изображений или видео в детализированные трехмерные сцены. Инструмент оптимизирован для работы с графическими процессорами, что ускоряет процесс обработки данных и генерацию облаков точек. Пользователи могут экспортировать готовые результаты в форматах PLY и NPZ для дальнейшего использования в инженерных и визуализационных задачах. GitHub · Машинное обучение Lingbot-vision: новый подход к пространственному восприятию через самообучение Проект Lingbot-vision представляет собой реализацию методов самообучения (self-supervised learning) для задач пространственного восприятия. Исследование фокусируется на том, как модели могут эффективно извлекать геометрические и пространственные признаки из визуальных данных без необходимости в размеченных наборах данных, что является критически важным этапом для развития автономных систем и робототехники. arXiv · Исследования и наука Hedgementation: новый бенчмарк для анализа ландшафтов с помощью ИИ Исследователи представили Hedgementation — специализированный бенчмарк для оценки моделей машинного обучения, предназначенных для картографирования живых изгородей и лесополос. Проект базируется на данных дистанционного зондирования Земли с разрешением 10 квадратных метров на пиксель, охватывающих территорию Франции. Создатели объединили разрозненные геопространственные наборы данных и верифицированные наземные метки, чтобы создать единую базу для обучения и тестирования алгоритмов сегментации изображений. arXiv · Исследования и наука Графовые нейросети для пространственного позиционирования через RFID Исследователи представили метод использования графовых нейронных сетей (GNN) для определения пространственной геометрии объектов в помещениях с помощью RFID-меток. В отличие от классических систем, полагающихся только на уровень сигнала, новый подход анализирует сложные взаимосвязи между объектами и инфраструктурой, что значительно повышает точность локализации в условиях закрытых пространств для нужд Spatial AI. Hacker News · Машинное обучение Применение глубокого обучения для поиска поселений майя в данных лидарного сканирования Исследователи применили методы глубокого обучения для автоматизированного обнаружения археологических объектов майя в массивах данных G-LiHT Lidar. Использование нейросетевых архитектур позволило значительно ускорить процесс анализа ландшафта, выявляя скрытые под растительностью структуры с высокой точностью. Этот подход масштабирует возможности археологических изысканий, позволяя обрабатывать огромные территории, которые ранее требовали многолетних ручных исследований экспертов. arXiv · Машинное обучение Оптимизация синтетических данных для обучения компьютерного зрения Исследователи представили метод SmartSDG, направленный на устранение разрыва между синтетическими данными и реальными условиями в задачах компьютерного зрения. Использование сгенерированных изображений позволяет обходить проблему ручной разметки, однако качество моделей часто страдает из-за различий в освещении и сложности фона. Новый подход систематизирует влияние физически корректного непрямого освещения на точность распознавания объектов.

← Все материалы