使用AI来自动提取特征的需求日益增加。深度学习模型可以轻松地用于自动完成从卫星图像和点云数据集中数字化和提取地理特征的繁琐任务。这里有六个经过预训练的模型，你可以将其用于从提取建筑物占地面积到检测沉船等等。
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。这种深度学习模型用于从高分辨率（10–40 cm）图像中提取建筑足迹。建筑覆盖层可用于为城市规划和开发，保险，税收，变更检测，基础设施规划以及各种其他应用程序准备基础地图和分析工作流。
即使建筑物非常相似，这种新模型也能很好地工作-原始模型无法做到这一点。在以下图像中查看结果的差异：
道路提取
新的道路提取模型用于从卫星图像中提取道路。道路是任何县，市，州或国家政府机构为基础设施规划，城市规划以及开发有效，高效的信息模型所需的主要GIS层之一。数字化和更新道路可能很耗时。该模型可自动执行大多数数字化过程。它基于arcgis.learn模型中MultiTaskRoadExtractor，这是一个最新模型，可提供连接的路段，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道路路段。这是因为由于树木，建筑物（在最低点图像中）和阴影造成的遮挡，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，如何通过在特定方向上进行跟踪来注释道路的启发。
该模型还可以在下图所示的土路和井垫通道上使用：
很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：721195303
土地覆盖分类
2020年10月，发布了第一个土地覆盖模型，该模型在国家土地覆盖数据库（NLCD）数据集中进行了训练， 并在Landsat-8场景上进行工作。生成的土地覆盖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的信息的应用程序。
今天，与Sentinel-2影像一起使用的具有更高分辨率的新土地覆盖分类模型正在发布。该模型在整个欧洲都适用。它在CORINE Land Cover（CLC）2018上进行了培训，具有与用于生成数据库相同的Sentinel-2场景。土地覆被分类是一项复杂的工作，很难使用传统方法进行分类。深度学习模型具有学习这些复杂语义并提供卓越结果的强大能力，如下所示。
该模型还可以用于变化检测，因为您可以在两个不同时间的图像上运行它，并查看土地覆盖的变化，例如由野火引起的变化。在下图中，您可以看到城市化的增长。新的居民区以红色阴影显示。
人类住区
高分辨率地图在了解人类住区模式方面具有价值，而从相对较低分辨率的卫星图像中生成小规模地图则可为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方式带来其自身价值。其他统计资料。疫苗接种计划就是一个例子。只有找到所有未映射的村庄，您才能确保您的疫苗可以到达需要它的所有人。
下图显示了新的人类住区模型
你可以使用此模型查看城市化如何影响全球各地。例如，下图显示了从2015年到2021年，阿联酋沙迦周围的人类足迹如何增加：
沉船检测
除了航拍图像外，这些新模型还包括一种使用测深数据检测沉船的模型。尽管是利基行业，但保持S57航海图为最新是至关重要的要求。没有明显的沉船事故可能导致灾难，损害船只或港口，导致人员伤亡和财产损失。
车牌模糊和人脸模糊
随着传感器数量的增加，数据的涌入以及许多数据的民主化，诸如隐私之类的问题成为人们关注的问题。我们发布了两种模型来满足这一需求。这些模型用于 匿名化或删除街景图像中的人脸和 汽车牌照。您可以将这些模型与ArcGIS Pro中的“使用深度学习对像素进行分类”工具一起使用。
下图显示了该模型的样本结果：
在这里还是要推荐下我自己建的Python学习Q群:721195303，群里都是学Python的，如果你想学或者正在学习Python 欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2021最新的Python进阶资料和零基础教学，欢迎进阶中和对Python感兴趣的小伙伴加入！