GeoScene GeoAl地理感知智能技术最新进展及应用场景探索.pdf

《GeoScene GeoAl地理感知智能技术最新进展及应用场景探索.pdf》由会员分享，可在线阅读，更多相关《GeoScene GeoAl地理感知智能技术最新进展及应用场景探索.pdf（76页珍藏版）》请在三个皮匠报告上搜索。

1、GeoScene GeoAl地理感知智能技术最新进展及应用场景探索易智瑞信息技术有限公司有限公司成都分公司产品及行业解决方案部 孙芙蕊目录CONTENTSGeoAI简介01GeoScene GeoAI能力及产品介绍02GeoScene 影像深度学习工具详解03GeoScene 深度学习场景与案例0405GeoScene 深度学习环境配置1.GeoAI简介深度学习是一种特殊的机器学习数据依赖：当数据很小时，深度学习算法表现不佳。这是因为深度学习算法需要大量数据才能完美理解它。硬件依赖：传统的机器学习可以在低端机器上运行，而深度学习算法则在很大程度上依赖于高端机器。特征工程：在机器学习中，大多数应

2、用的特征需要由专家识别，然后根据领域和数据类型进行手动编码。深度学习算法尝试从数据中学习高级特征。可解释性：像决策树和线性/逻辑回归等算法广泛用于行业中，就是因为其结果的可解释性。机器学习和深度学习的关系始于上个世纪-浅层学习 计算资源不足，难以满足产业需求2006年，Hinton和他的学生Salakhutdinov在科学上发表一篇文章，开启了深度学习在学术界和工业界的浪潮 自动驾驶、实时语音翻译、目标识别、照片分类、自然语言处理等深度学习语音识别自动驾驶人脸识别语音理解照片分类GeoAI简介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

3、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激光雷达点云遥感影像分类、识别等点云三维模型重建交通预测、房价预测等GeoAI机器学习、深度学习习遥感影像点云位置数据文本数据具有自我学习能力，而不需要预先规划逐步的从数据中提取抽象的深分层结构特征一个学习模型可用在不同类型的数据上GIS及遥感中的深度学习概述卷积神经网络全要素分类GIS及遥感中的深度学习应用数据：WorldView-2分类类型：-裸露地表-水体-建筑物-交通真实地表覆盖信息深度学习分类一般SAM分类深度学习分类：90.5%一般SAM分类：65.26%2.GeoScene GeoAI能

4、力及产品介绍AutoML-应用案例南京市网约车需求量预测AutoML-应用案例上海市二手房价格预测GeoScene 4.1 深度学习，即拿即用深度学习工作流一键导出 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、变化检测样本 支持自动标注影像样本样本制作丰富模型 共37+个模型（新增8个）新增1个影像分类模型 新增5个时序预测模型 新增2个点云分类模型 新增AutoDL工具模型训练高效推理 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 即用的在线推理推理丰富工具 1800+工具 栅格、矢量等数据处理后处理个人用户企业级用户GeoScene P

5、roEnterprise+Image Server DeepLearning Studio JavaScript SDK英伟达GPU、曙光DCU、华为NPU遥感影像栅格图像目标检测像素分类变化检测道路提取实例分割点云分类点云视频自然语言文本动态目标识别与追踪命名实体识别序列到序列文本分类时间序列预测1对象检测2像素分类3对象分类5道路提取6边缘检测4实例分割7变化检测8图像翻译9图像标注场景：树、车、飞机、游泳池、油井、建筑物、设施、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、损坏的设备、识别植物种类等GeoScene 深度学习之图像分类与识别，9大场景，26+

6、模型算法场景：建筑物提取、3D屋顶结构、污水池场景：建筑物边界提取、耕地边界、林地边界提取等场景：城管查违拆违场景：制图，去云.场景：生成影像描述SSD、MMDetection、RetinaNet、YoLoV3、PSPNET、MMSegmentation、FeatureClassifier、MaskRCNN、MultiTaskRoadExtractor、U-Net、Fast-RCNN、CycleGAN、Pix2Pix、BDCNEdgeDetector、HEDEdgeDetector、ChangeDetector、SuperResolution、ImageCaptioner、PSETAEGeoS