人工智能将地理空间数据转化为知识

通过 2021年1月21日

RAVI MEHTA,营销经理, 空气动力学

人工智能(AI)通常定义得很松散,不同的人以不同的方式看待它。总体而言,每天都有大量的研究在发展。简而言之,人工智能是计算机进行智能行为的能力,而不是人类的自然智能。这种“智能”以算法的形式实现,以执行特定任务,学习并适应提供解决方案。

更具体地说,由于计算能力和丰富性的提高,人工智能的两个子集-机器学习(ML)和深度学习(DL)在最近变得越来越重要。
数据的。深度学习利用端到端优化的深度神经网络,而不是仅使用经典的机器学习算法,从而无需使用手工特征来定义不同的对象。

企业如何从借助AI处理的地理空间数据中受益?

从航测获得的地理空间数据可能会覆盖几个terra字节,甚至在很小的区域中也覆盖数百万个像素和对象。处理这些数据通常需要手动和自动处理的组合,这些过程可能需要几天的时间&周。今天的能力
通过深度学习模型运行这些工具不仅有助于提高流程效率,还可以为用户提供更丰富的数据见解和可操作的知识。

人工智能驱动的地理空间情报对于包括城市规划,建筑在内的许多部门都至关重要&Aerometrex能够使用深度学习在2D或3D环境中实现像素级分类和细分任何对象的能力,正在这些行业中创建强大的用例。

人工智能驱动的3D模型分类

人工智能 衍生的输出和用例有哪些示例?

渗透与不渗透表面分类

Aerometrex正在使用有监督的机器学习算法,通过其高分辨率2D航拍图像来区分可渗透和不可渗透的地面。通过深度学习将进一步增强该过程,该过程能够在语义上分割道路,草地等不同表面。有趣的是,神经网络可以通过分析视觉和非视觉特征(例如表面反射)的组合来做到这一点。参数)。

变更检测和时间序列分析

如今,电力公司和太阳能安装人员需要知道太阳能电池板在哪里(或可以放置在哪里)以及多少。他们还希望评估随着时间的变化。所有这些问题都可以
由AI驱动的地理空间数据有效解决同样,使用AI得出的汽车分类及其密度的时间序列分析可以帮助零售企业评估随着时间推移客户客流量的增长。保险公司需要了解土地上屋顶,太阳能电池板,游泳池等资产的变化,尤其是在冰雹等灾难之后
和丛林大火。深度学习可以快速为这些用户提供关键变更检测信息& efficient manner.

3D模型中的自动对象替换

3D摄影测量和游戏引擎已经走了很长一段路。借助游戏引擎提取大型3D数据集的能力,游戏开发人员将希望
轻松分开 &用计算机生成的(CG)资产替换树木,汽车,建筑物等特定对象,并改善整体纹理。

借助AI驱动的Aerometrex 3D模型的语义分割,现在可以实现这一点,从而在自然环境和超真实游戏对象之间取得平衡。

地理空间AI的未来是什么?

强大的深度学习模型的关键在于培训数据。 Aerometrex能够为自己的神经网络生成大量训练数据。但是,这不仅与数据量有关,而且更重要的是,这些数据集内的变化及其质量和注释准确性也帮助公司保持了在地理空间领域人工智能的最前沿。

Aerometrex的目标是能够对2D地图和3D模型中的所有对象进行分类,而不会留下未分类的内容。此外,公司还从事子对象级别的细粒度语义细分,例如,对建筑物家具(例如窗户,烟囱,屋顶类型,太阳能电池板等)进行分类。这将使企业能够查询地理空间数据中的对象见面很详细&2D或3D地图中的特定标准,从而建立真正的智能空间知识。

提供的信息 Aerometrex.

您可能还喜欢阅读:


关于乔恩·特卡奇

, , ,


通讯

立即注册以了解有关Spatial Source的所有新闻的最新信息。您每周都会收到一份包含最新新闻的时事通讯。

  • 此字段用于验证目的,应保留不变。
Emlid推出Caster,免费的NTRIP铸造服务
Emlid宣布了Caster,这是一项适用于所有国家的免费铸造服务。
适应Covid-19推动数字双胞胎普及:报告
Covid-19将加速数字双胞胎和智能手机的扩展
CASA无人机注册截止日期迫在眉睫
商业飞行的RPA必须由Janu向CASA注册。
第一阶段启动PAS 880
第一阶段工业带来了新的大幅面天底和暗箱。
RIEGL推出用于VZ-i激光扫描仪的远程操作应用程序
RIEGL推出了三个新应用程序,以完全自动化其VZ-i服务。