Filme porno

Categorii

Advertising

Detectarea functiilor rutiere si etichetarea geografica

Cum se utilizeaza datele MMS pentru a identifica si localiza caracteristicile drumului pentru sarcini de gestionare a activelor automate si eficiente.

Autori: David Yu , Hayley Miller

Declinare de responsabilitate : Acest articol foloseste datele publicate de la AZGeo cu acordul Departamentului de Transport din Arizona. Renuntarea completa poate fi gasita in partea de jos a acestui articol.

In acest articol vom trece mai departe despre cum sa:

1. Generati date de antrenament augmentate pentru caracteristicile de drum din imagini MMS

2. Efectuati detectarea obiectelor folosind Faster R-CNN si conectati API-ul Microsoft Computer Vision pentru recunoasterea optica a caracterelor.

3. Inferati latitudinea si longitudinea unui obiect algoritmic, apoi aplicati invatarea automata pentru a ne imbunatati predictia.

4. Efectuati analize de cluster folosind ArcGIS Pro pentru a ne rafina rezultatele.

5. Vizualizati rezultatele in Tabloul de bord al operatiunilor pentru ArcGIS

6. Utilizati Collector pentru ArcGIS pentru a integra capacitatea campului mobil in fluxul de lucru.

Deci, stai pe spate si bucura-te!

Flux de lucru complet de detectare a caracteristicilor rutiere si geotagging, toate cursurile au fost efectuate pe masina virtuala GeoAI Data Science (DSVM) pe Azure, care ofera un mediu gata de utilizare pentru formarea modelelor de invatare automata impreuna cu ArcGIS Pro preinstalat.

Preambul: punerea bazelor pentru o abordare ML pentru detectarea caracteristicilor rutiere

Una dintre promisiunile fundamentale ale ML a fost intotdeauna capacitatea modelelor instruite de a generaliza la date noi. Usurinta de extensibilitate a unui model bine instruit a permis, la randul sau, automatizarea atat in ​​colectarea datelor, cat si in extragerea / consumul de informatii. In cazul caracteristicilor rutiere, capacitatea de a extrage informatii actionabile din repertoriile existente de date, cum ar fi fotografii si videoclipuri georeferentiate, capturate din Mobile Mapping Systems (MMS) ar oferi o solutie la un cost redus pentru o varietate de cazuri de utilizare comune pentru multi departamentele administratiei locale sau entitatile private. Aceste cazuri de utilizare includ, dar nu se limiteaza la: gestionarea inventarului, evaluarea daunelor si detectarea modificarilor.

Incepem investigatia cu date MMS, deoarece acestea vin intr-o varietate de formate, sunt usor de colectat in masa si, in cazul imaginilor pure fara iesiri video sau LiDAR, sunt relativ ieftine de colectat.

Un vehicul tipic de cartografiere mobila cu senzori si camere montate in partea superioara

Desigur, cand vine vorba de barbierirea costurilor, o cale de date adesea trecuta cu vederea este reprezentata de imaginile provenite din multime, cum ar fi cele disponibile din Open Street Map. Dezavantajul utilizarii acestor imagini este ca este posibil sa nu includa metadatele necesare pentru a realiza o geolocalizare precisa, sa vina intr-o varietate de formate non-standard si nu sunt intotdeauna disponibile daca este necesara o analiza sistematica a unei rute sau regiuni selectate.

Caracteristicile drumului sunt orice obiecte sau puncte de interes care pot fi capturate si identificate din datele MMS. Acestea pot fi clasificate ca caracteristici ale activelor si caracteristici non-active. In cazul primelor, in functie de proprietarul acestor active, acestea pot constitui elemente precum indicatoare rutiere, daune rutiere, sine de protectie, hidranti, copaci, vegetatie la marginea drumului, vehicule, resturi etc. In acest studiu de caz, Esri a lucrat impreuna cu Departamentul de Transport din Arizona (ADOT) pentru a identifica, geolocaliza si clasifica indicatoarele rutiere de autostrada ca parte a unei demonstratii de gestionare a inventarului.

Cateva exemple de caracteristici ale drumului, fiecare poate fi de interes pentru o alta parte

Putem descompune solutia mentionata mai sus in trei bucati distincte in ceea ce priveste arhitectura si functionalitatea: detectare / clasificare, recunoastere optica a caracterelor (OCR) si geotagging.

Sa existe date de instruire

Setul de date AZGeo consta dintr-o baza de date cu fotografii de aproximativ 2,5 milioane de imagini realizate in anul 2016, care acopera pe larg toate autostrazile interstatale, rutele de stat si strazile din statul Arizona.

Array

Aceste imagini sunt preluate de pe aceeasi platforma MMS si au o rezolutie uniforma de 640 × 480 px.

Imagini de antrenament MMS capturate la intervale regulate, dintre care doar o fractiune contine indicatoare rutiere

Biblioteca LabelImg este o biblioteca Python open-source excelenta care ofera o interfata grafica Qt GUI usor de utilizat pentru generarea etichetelor de antrenament in formatele Pascal VOC sau YOLO. Am folosit LabelImg pentru a crea 766 de imagini de antrenament, care au durat aproximativ 3 ore. In scopul acestui flux de lucru, pentru ca suntem interesati doar sa detectam semne de autostrada care nu tind sa implice o multime de variatii, este suficient sa se utilizeze un set de greutati pentru coloana vertebrala ResNet101 care a fost pre-antrenata pe ImageNet. Pentru alte cazuri de utilizare, cum ar fi detectarea indicatoarelor stradale intr-un cadru urban, este foarte recomandat sa va pregatiti reteaua in setul de date LISA, care contine putin peste 6000 de imagini cu indicatoare stradale comune urbane si de autostrazi la un amestec de rezolutii. Din pacate,

Desenarea si etichetarea casetelor de delimitare in LabelImg

Problema cu generarea unui set atat de mic de imagini de antrenament este ca majoritatea modelelor de CV ar tinde sa se imbrace cu aceste imagini, indiferent daca modelul dvs. a fost predestinat sau nu. Aceasta problema devine deosebit de severa, avand in vedere ca va trebui sa alocati o anumita portiune din setul de instruire pentru testarea si generarea valorilor de evaluare. Pentru a rezolva aceasta problema, a devenit o practica standard in comunitatea CV-ului sa aplici diverse tehnici de augmentare setului tau initial de imagini. Biblioteca imgaug este o biblioteca excelenta de utilizat si ofera tehnici de augmentare, cum ar fi transformari afine, decupare aleatorie, abandon, incetosare gaussiana si multe altele pe casete de delimitare, puncte cheie sau etichete de masca de segmentare.

imgaug inainte si dupa: imaginea din stanga sus este „inainte” si orice altceva este „dupa”. Retineti ca casetele de delimitare sunt transformate in acelasi mod ca si imaginile in sine. Unele dintre aceste transformari functioneaza si pentru puncte cheie si masti.

Iata lista transformarilor secventiale pe care le-am folosit de altfel, care sunt modificate din exemplele din documentatia oficiala imgaug, care am gasit ca functioneaza destul de bine pentru indicatoarele stradale. Va recomand sa consultati documentatia despre cum sa aplicati aceste transformari.

Detectie si clasificare

Nu voi acoperi prea mult material: detectie si clasificare aici, este suficient sa spun ca s-a folosit o retea mai rapida R-CNN. Consultati acest articol despre modul in care poate fi aplicat Faster R-CNN pentru a efectua detectarea locurilor de parcare. Daca sunteti interesat, acest articol exploreaza arhitectura mai detaliat.

In ceea ce priveste performanta, prin experimentare am constatat ca inferenta dureaza aproximativ 0,3 secunde pe imagine, ceea ce pare destul de rapid pana cand se ia in considerare faptul ca pentru a acoperi doar o singura ruta (de exemplu, Interstate 15 in exemplul nostru care are ~ 6600 de imagini), procesul poate dura pana la 33 de minute.

O a doua optiune pentru efectuarea detectarii este aplicarea retelei YOLOv3 pentru a efectua detectarea, ceea ce reduce semnificativ timpul de inferenta (pana la 0,05 secunde pe imagine sau doar 5,5 minute pentru Interstate 15).

Factorizarea in recunoasterea optica a caracterelor

Pentru utilizarea cazului de detectare a semnelor, poate fi avantajos pentru managementul inventarului sa determine si textele semnelor detectate. Acest lucru ar permite o indexare mai usoara a semnalizarii sau efectuarea de interogari bazate pe text pe aceste semne indexate. In mod traditional, sarcinile OCR au fost intotdeauna construite de la baza folosind biblioteci Python, cum ar fi pytesseract. Din pacate, aceste biblioteci au fost concepute pentru a analiza documentele scanate si, prin urmare, utilizatorul ar trebui sa efectueze de obicei diverse tehnici de imbunatatire inainte de a obtine o imagine de intrare oarecum utilizabila si chiar si atunci, rezultatele tind sa fie sub-optime.

Un exemplu al modului in care se efectueaza in mod traditional preprocesarea imaginii pentru OCR: [Stanga sus] Imaginea originala este convertita in tonuri de gri pentru a scapa de canalele de culoare si pentru a facilita operatiunile ulterioare. [Sus dreapta] Efectuati detectarea marginilor care, in acest caz, utilizeaza Canny Edge Detector de la OpenCV. [Stanga jos] Folositi Hough Line Transforms pentru a gasi marginile unui obiect si pentru a efectua rotatia pentru a indrepta imaginea (textele inclinate, in general, nu functioneaza bine cu Tesseract OCR.

[Jos dreapta] Pragul imaginii pentru a crea gradienti de pixeli clari.

Din fericire, API-ul Microsoft Computer Vision simplifica foarte mult acest proces, fiind suficient de flexibil pentru a consuma o multitudine de formate si stiluri de imagine in timp ce efectueaza toate detectia textului, imbunatatirile RoI si procesele de curatare a textului sub capota.

API-ul Computer Vision produce urmatoarele informatii de detectie a textului si caseta de delimitare care pot fi apoi vizualizate peste imaginea originala.

Oricat de mare este acest API, performantele sale sunt totusi scurte, avand in vedere imaginile cu rezolutie redusa si nu se potrivesc cu viziunea umana, mai ales in cazurile in care detectarea textului este adesea ajutata de contextul de mediu (fiind un domeniu in care viziunea umana exceleaza) . Acesta este momentul in care trebuie sa facem un pas suplimentar pentru a stoarce restul de informatii din aceste imagini.

[Sus] Original. [Mijloc] Iesire din super-rezolutie. [Jos] Iesire de la waifu2x

Super-rezolutia este tehnica standard pentru a aborda situatiile in care sunt solicitate intrari de inalta rezolutie (care nu se coreleaza automat cu continut inalt de informatii). Am realizat in trecut cateva aplicatii interesante de super-rezolutie pentru a aborda imagini de esantionare pentru clasificarea deteriorarilor cladirii sau detectarea vehiculului. Desi super-rezolutia exceleaza in domeniul imbunatatirii fotografiilor, atunci cand luam in considerare imaginile text sau documentele scanate, trebuie sa ne amintim sa ne straduim sa obtinem claritatea si claritatea imaginii, mai degraba decat fidelitatea fata de distributia subiacenta a pixelilor adevar-sol, care altfel ar putea produce imagine realista, dar mai estompata. Avand aceste constrangeri in vigoare, este mai logic sa se utilizeze metode traditionale de prelevare de probe a imaginii, cum ar fi interpolare 2D cel mai apropiat, biliniar sau bicubic. In orice caz, trebuie remarcat faptul ca exista o biblioteca uimitoare acolo numita (I kid you not) waifu2x care realizeaza super-rezolutie pe imaginile in stil anime, ceea ce se intampla sa functioneze excelent pentru indicatoarele rutiere. De fapt, acest site va permite sa introduceti propriile imagini si sa vedeti rezultatul final dupa ce ati fost waifu2x’d si este un mod destul de bun de a petrece o dupa-amiaza de vineri daca nu aveti nimic mai bun de facut.

Rasucirea GIS care reuneste totul: GeoReferentierea

Pana in acest moment, ceea ce am construit nu constituie o solutie geo-activata. Daca nu utilizati toate datele disponibile la maximum constituie o infractiune in stiinta datelor, atunci incorporarea elementelor GIS date de date MMS ar trebui considerata un pacat cardinal, avand in vedere cantitatea mare de geo-metadate care este incorporata in fiecare imagine. Pentru setul de date AZGeo, urmatoarele informatii sunt continute in fiecare imagine.

[Sus] Metadate asociate fiecarei imagini. Atributele demne de mentionat sunt ImageCount (ID unic), longitudine, latitudine si rulment. [Jos] Date aparat de fotografiat. Retineti Heading, Roll and Pitch

Coordonatele lat / lungi sunt masurate de GPS cu o precizie de 12 mm (desi nu sunt neaparat precise pana la 12 mm de tinta). Toate acestea sunt bune, cu exceptia problemei spinoase, ca aceste coordonate nu sunt reprezentative pentru adevaratele lat / lungimi ale obiectelor de puncte de interes (PoI) continute in aceasta imagine. Aceasta nu este o problema usor de abordat si nici o solutie de lucru nu ar fi vreodata banala deoarece lipseste cea mai importanta informatie necesara: cat de departe este un PoI de camera. Cunoscand aceasta informatie, s-ar putea ajunge cu usurinta la o solutie algoritmica. Cu toate acestea, chiar si observatorilor umani li se poate face uneori dificil sa afle exact cat de departe este un lucru de camera.

Totusi, un lucru pe care noi, oamenii, il avem in vedere, este un prior incorporat care straluceste putin contextul problemei. Stim ca un indicator este la aproximativ x metri distanta, deoarece avem o idee aproximativa despre cat de mari sunt semnele rutiere in viata reala. Cu toate acestea, fara un sentiment de scara care sa ne ghideze judecata ca in imaginea de mai jos, chiar si noi am fi in pierdere.

Cat de mare este aceasta piatra? Puteti spune fara context?

Aceasta perspectiva asupra modului in care noi, oamenii, judecam distanta, ne ofera un punct de plecare in abordarea problemei inferentei distantei, daca am putea determina cat de mare este un obiect in spatiul fizic. O abordare naiva a acestei probleme ar trebui sa fie imediat evidenta: pur si simplu efectuati clasificarea pe semnalizare la un grad rezonabil de granularitate si apoi atribuiti o dimensiune fizica fiecarei clase de semne. Din fericire, Administratia Federala a Autostrazilor a pus la dispozitia publicului un Manual privind dispozitivele uniforme de control al traficului (MUTCD) care delimiteaza cu precizie dimensiunile fiecarei clase de semne. Dezavantajul este ca regulamentul privind dimensiunile anumitor semne text, cum ar fi semnele de destinatie (D1–3) si semnele de granita jurisdictionala (I-2), sunt corecte doar intr-un anumit interval sau sunt doar semi-delimitate fara limita superioara restrictii privind dimensiunea.

Cu toate acestea, acest lucru ne ofera ceva cu care sa lucram, iar acum putem determina destul de precis dimensiunile fizice ale semnelor non-text, cum ar fi semnele de avertizare, semnele de limita de viteza, marcatorii de ruta de stat si marcatorii de mile. Cu aceste informatii, distanta semnului de camera poate fi usor calculata folosind triunghiuri similare:

Cum se poate deduce distanta dintre un obiect si camera (F) de distanta focala (f) si dimensiunea imaginii de pe cenzorul CCD. Odata gasita aceasta distanta, calculati pur si simplu unghiul dintre obiect si bisectoarea imaginii pentru a obtine informatiile necesare pentru deducerea lat / lung a obiectului.

In cele din urma, trebuie sa luam in considerare si informatiile auxiliare, cum ar fi rulmentul camerei, care este alcatuit din rulmentul vehiculului si al falcii camerei. Deocamdata nu vom lua in considerare alti parametri, cum ar fi pitch and roll-ul camerei si cum ar contribui la schimbarile distantei deduse.

Inferenta mai precisa a distantei cu Deep Learning

Abordarea de mai sus a inferentei la distanta ne-a oferit un bun punct de plecare pentru a ne imbunatati, dar nu este nicidecum infailibila. In afara de problema dimensiunilor fizice nedeterministe pentru anumite clase de semne, avem si problema distorsiunii perspectivei in cazul in care un semn se apropie cu adevarat de camera. Ceea ce trebuie sa ne dam seama atunci este daca putem coace o intelegere prealabila suplimentara a dimensiunii in modelul in sine. Acolo unde exista vointa, exista o modalitate care implica invatarea profunda.

Ideea aplicarii invatarii profunde pentru a rezolva inferenta la distanta nu este insa ea insasi foarte noua, dar abordarea luata de biblioteca monodepth este una foarte racoritoare: Mai degraba decat sa instruiti o retea neuronala convolutionala pentru a minimiza pierderea dintre o harta de adancime dedusa si un fel a hartii adevarului la sol, informata de datele LiDAR, monodepth foloseste o camera duala configurata pentru a captura date pentru antrenament. Propagarea spate in acest caz implica ajustarea greutatilor retelei astfel incat sa poata reproduce o imagine a obiectivului drept dintr-o singura intrare a obiectivului stang (si invers). Corolarul este ca modelul construieste o intelegere intrinseca a adancimii in timp si toate acestea sunt realizate fara echipamente costisitoare de colectare a datelor.

iesire monodepth pe una dintre imaginile noastre MMS. Semnul strazii este clar vizibil si are un gradient uniform, ceea ce inseamna ca monodepth-ul i-a atribuit o adancime fixa. Exista cateva artefacte in stanga, deoarece modelul nu a fost optimizat pe autostrazi in SUA.

Pentru a afla care este valoarea pixelilor care corespund distantei, atunci este o simpla problema de regresie si se poate face automat pe setul de testare unde semnele au o locatie cunoscuta.

Relatia dintre luminozitate si distanta pare a fi una liniara. O linie de regresie mai precisa poate fi obtinuta prin invatarea prin transfer cu imagini locale capturate dintr-o configuratie cu lentile duale.

Dupa integrarea acestei solutii ML pentru inferenta la distanta cu metoda noastra programatica, suntem acum capabili sa determinam cu precizie geocoordonatele unui obiect dintr-o imagine geotagetata. Ingrijit!

Metrics, Metrics, Metrics

Dintre cele cinci aspecte de proiectare care definesc un flux de lucru de invatare automata (date, arhitectura modelului, functia de pierdere, metoda de optimizare si masurarea performantei), masurarea performantei este cea mai frecvent ignorata, dar cea mai importanta fateta. Aruncarea impreuna a unui model ML fara a proiecta valori adecvate ar fi ca si cum ai construi o masina si ai numi-o produs finit, fara a intoarce vreodata cheia pentru a vedea daca functioneaza. Problema este ca majoritatea dezvoltatorilor sunt prea lenesi pentru a-si testa modelele in comparatie cu un set de repere standard sau pentru a veni cu valori personalizate de la inceput, in cazul in care masurile standard de performanta sunt in mod clar insuficiente.

Pentru a face acest lucru in mod corespunzator, am creat trei valori separate pentru fiecare dintre cele trei iesiri ale modelului: inferenta lat / lunga, OCR si detectare / clasificare. Dar, inainte de orice, ar trebui mai intai sa desemnam un set de date de testare pe baza carora viitoarele teste de referinta ar fi efectuate. Exista doua avantaje in pastrarea unui set de testare fix: In primul rand, putem fi siguri ca, atunci cand efectuam compararea modelului, toate erorile nesistematice sunt eliminate. In al doilea rand, in functie de locul in care dorim sa implementam modelul, am putea incorpora manual imagini din acel spatiu de testare pentru a evalua capacitatea modelului de a se generaliza in medii straine. Singurul dezavantaj al unui set de testare fix este ca lat / long de PoIs ar trebui sa fie alocate manual, lucru pe care l-am facut cu atentie pe o perioada de doua ore. Ca atare,

Inferinta lat / lunga

Sunt colectate doua date pentru a masura acuratetea inferentei lat / lunga. In primul rand, deviatia standard L-2 a locatiilor deduse. Aceasta informatie ne permite sa intelegem raspandirea coordonatelor deduse si este ceva ce dorim sa reducem in timp. Cealalta este distributia probabilitatii rulmentului liniei AB unde A este locatia adevarului la sol si B este locatia dedusa. In mod ideal, rulmentul ar trebui sa aiba o distributie uniforma, indicand o lipsa de erori sistematice care altfel s-ar putea manifesta ca grupuri in jurul anumitor valori ale rulmentului.

OCR

Doua valori sunt utilizate pentru a evalua acuratetea OCR: numarul de cuvinte detectate (fiecare asociat cu distanta de semnalizare dedusa) si procentul de cuvinte identificate corect pentru toate detectiile (pe baza unui indice de similaritate produs de Python’s SequenceMatcher). Datele despre adevarul de baza in acest caz sunt introduse manual intr-un dicton Python. Regula implicita pe care am folosit-o atunci cand scriu aceste siruri este ca nu trebuie sa petrec mai mult de o secunda pentru a interpreta textul dintr-un semn si ca ar trebui sa scriu cu siguranta un sir de adevar de baza gol daca consider ca textul este indescifrabil. Cu toate acestea, in cazul OCR, modelul nu a produs rezultate foarte precise pentru putinele semne care contineau vreun text.

Unele imagini metrice OCR deosebit de dificile. Daca iti ia mai mult de o secunda pentru a-ti da seama ce este scris, este probabil prea dificil pentru metodele actuale de rezolvat.

Detectare / Clasificare

Acesta este unul dintre putinele cazuri in care o valoare standard face treaba mai bine decat orice valoare pe care o puteti confectiona. Deoarece modelul de detectie consta din masca R-CNN sau YOLOv3, masura de performanta recomandata este precizia medie medie (mAP). O explicatie detaliata a ceea ce presupune acest lucru este data aici.

Valori traditionale pentru activitati de detectare in stil VOC vs. valori noi pentru caz de utilizare curent. Desigur, toata lumea este libera sa vina cu orice masura de performanta pe care o considera adecvata, atata timp cat aceste valori au sens in contextul problemei.

Integrarea in cadrul ArcGIS

Modelul din iteratia actuala este capabil sa consume cantitati masive de date brute si sa le transforme in caracteristici utile. Cu toate acestea, nu este o solutie completa, deoarece nu exista mecanisme pentru ca utilizatorul final sa poata consuma cu usurinta aceste caracteristici si, prin urmare, nu poate obtine informatii utile. Aici o solutie end-to-end ArcGIS ofera utilizatorului un avantaj decisiv prin oferte precum monitorizarea starii in timp real folosind tabloul de bord al operatiunilor, tehnici de post-procesare, cum ar fi analiza modelelor, modelarea relatiei spatiale si metodele de clusterizare expuse prin diferite statistici spatiale. seturi de instrumente, precum si platforme de gestionare si coordonare a echipajului de la sol, cum ar fi Forta de munca sau Colector.

In ceea ce priveste postprocesarea, ne-am dat seama ca un obstacol in utilizarea datelor MMS este ca obiectele unice tind sa fie identificate de mai multe ori de la diferite cadre ale camerei pe masura ce vehiculul MMS se apropie de PoI. Aceasta nu ar fi o problema daca inferenta lat / lunga sau clasificarea obiectelor pot fi efectuate fara erori, totusi acest lucru nu este de obicei cazul.

Utilizarea clusterizarii multivariate restrictionate spatial pentru a grupa semnele dupa class_id intr-o raza data, apoi aplicand caracteristica centrala pentru a obtine centroizi de cluster unici. [Albastru] Detectii originale de semne. [Rosu] Semne care au fost grupate.

Clusterul multivariant constrans spatial este un instrument excelent disponibil ca instrument de geoprocesare ArcGIS Pro (disponibil alternativ ca functie Arcpy) care rezolva problema noastra. Acest instrument va permite sa specificati ce atribut de strat sa aplicati o constrangere. In cazul nostru, vrem sa constrangem gruparea la acele puncte care au aceeasi eticheta de clasa si sa aplicam clusterizarea numai intr-o regiune de distanta euclidiana de la fiecare punct.

Tabloul de bord al operatiunilor pentru ArcGIS

ArcGIS Ops Dashboard dezvaluie dintr-o privire perspectivele

Tabloul de bord Ops pentru ArcGIS permite utilizatorului sa utilizeze diagrame, indicatoare, harti si alte elemente vizuale pentru a monitoriza activele geo-activate. In scopul acestei demonstratii, am colaborat cu ADOT pentru a realiza un tablou de bord pentru a ilustra inventarul de semne rutiere detectate de-a lungul Interstate 15 NB din Arizona.

Ops Dashboard poate fi, de asemenea, utilizat cu Collector pentru a reflecta evaluarea echipajului la sol a conditiilor activelor in timp real.

Colector pentru ArcGIS

Integrarea cu Collector for ArcGIS aduce o capacitate de camp mobil in fluxul de lucru. Am importat stratul caracteristicii de detectare a semnelor intr-o harta web si am adaugat campuri de atribute relevante in setul de date. Membrii echipajului pot adauga informatii la setul de date si pot verifica procesele de invatare automata pe teren. In acest caz, am vrut sa verificam locatia punctelor georeferentiate si validitatea clasificarii semnelor, asa ca am adaugat acele campuri. Am folosit domenii codificate pentru a oferi lucratorilor de teren o lista drop-down predeterminata de atribute. Capacitatea de a alege din lista derulanta previne erorile introduse prin tastarea cu degetele grase si asigura o calitate si o asigurare mai bune a datelor. In plus, lucratorii de teren pot utiliza functiile de voce-text pentru a raporta probleme cu detectarea, deteriorarea semnelor sau modificarile setului de date. Si asta, evita erorile degetelor grase, precum si economiseste timp. Un alt avantaj al aplicatiei este capacitatea sa offline, care permite sincronizarea modificarilor offline cu setul de date atunci cand serviciul este restaurat. Acest flux de lucru eficientizeaza procesul de actualizare, editare, stergere si adaugare de puncte in camp.

Campuri suplimentare adaugate la stratul de caracteristici pentru capabilitatile campului Collector for ArcGIS.

Aceste actualizari de teren au fost monitorizate aproape in timp real folosind un tablou de bord operational, asa cum se arata mai sus.

Editarea campului a fost activata, precum si posibilitatea de a sincroniza date si de a descarca zone de harta pentru colectarea si actualizarea datelor offline.

Aplicatia Collector for ArcGIS permite utilizatorului final sa vizualizeze fotografiile fiecarui semn, precum si locatia si datele culese din tehnicile de invatare automata de mai sus.

Munca viitoare

Acest proiect demo este foarte mult in lucru si, ca atare, exista elemente de functionalitate pe care am vrut sa le integram in aceasta solutie, dar nu am avut timp sa o facem. Asteptati un blog actualizat intr-o ordine scurta. Intre timp, vom continua sa cautam modalitati inovatoare de a ne imbunatati modelul si de a stimula o precizie mai buna.

Renuntare completa In masura maxima permisa de lege, raspunderea ADOT, a angajatilor, a functionarilor si a agentilor sai nu va include raspunderea pentru profiturile pierdute, daunele indirecte, accidentale, speciale, punitive sau consecutive sau cererile de la terti catre public, sau orice pierdere de afaceri, venituri sau date, fie ca se bazeaza pe o reclamatie sau actiune de delict, contract, garantie, neglijenta, raspundere stricta, incalcare a obligatiei legale sau orice alta teorie legala sau cauza a actiunii, chiar daca este informat despre posibilitatea a unor astfel de daune. In plus fata de responsabilitatile de mai sus, in cea mai mare masura permisa de lege, orice utilizator al portalului de date AZGeo este de acord sa elibereze si sa mentina inofensiv statul Arizona, angajatii sai, ofiterii, oficialii si agentii din si impotriva oricaror revendicari , actiuni, raspunderi, daune, pierderi sau cheltuieli (inclusiv cheltuieli de judecata, onorariile avocatului si costurile procesarii, anchetarii si litigiilor) care decurg din executarea acestui acord. : Desi datele Departamentului Transporturilor din Arizona din AZGeo au fost produse din surse considerate a fi fiabile, nu se face nicio garantie exprimata sau implicita cu privire la acuratetea, adecvarea, caracterul complet, legalitatea, fiabilitatea sau utilitatea oricarei informatii. Aceasta declinare de responsabilitate se aplica atat utilizarilor izolate, cat si utilizarilor agregate ale informatiilor. Departamentul de Transport din Arizona furnizeaza aceste informatii „CA ATARE”. Sunt respinse toate garantiile de orice fel, exprese sau implicite, inclusiv dar fara a se limita la garantiile implicite de comercializare, adecvarea pentru un anumit scop, lipsa contaminarii cu virusi informatici si nerespectarea drepturilor de proprietate. Modificarile pot fi adaugate periodic la informatiile din acest document; aceste modificari pot sau nu sa fie incorporate in vreo noua versiune a publicatiei. Daca utilizatorul a obtinut informatii de pe pagina web AZGeo de la o alta sursa decat pagina de pornire AZGeo, utilizatorul trebuie sa fie constient de faptul ca datele electronice pot fi modificate ulterior distributiei originale. De asemenea, datele pot deveni rapid depasite. Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. Daca utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la [email protected] Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. In cazul in care utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la adresa [email protected] Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. In cazul in care utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la adresa [email protected]

Video Description:

Cum se utilizeaza datele MMS pentru a identifica si localiza caracteristicile drumului pentru sarcini de gestionare a activelor automate si eficiente.Autori: David Yu , Hayley MillerDeclinare de responsabilitate : Acest articol foloseste datele publicate de la AZGeo cu acordul Departamentului de Transport din Arizona. Renuntarea completa poate fi gasita in partea de jos a acestui articol.In acest articol vom trece mai departe despre cum sa: 1. Generati date de antrenament augmentate pentru caracteristicile de drum din imagini MMS 2. Efectuati detectarea obiectelor folosind Faster R-CNN si conectati API-ul Microsoft Computer Vision pentru recunoasterea optica a caracterelor. 3. Inferati latitudinea si longitudinea unui obiect algoritmic, apoi aplicati invatarea automata pentru a ne imbunatati predictia. 4. Efectuati analize de cluster folosind ArcGIS Pro pentru a ne rafina rezultatele. 5. Vizualizati rezultatele in Tabloul de bord al operatiunilor pentru ArcGIS 6. Utilizati Collector pentru ArcGIS pentru a integra capacitatea campului mobil in fluxul de lucru.Deci, stai pe spate si bucura-te!Flux de lucru complet de detectare a caracteristicilor rutiere si geotagging, toate cursurile au fost efectuate pe masina virtuala GeoAI Data Science (DSVM) pe Azure, care ofera un mediu gata de utilizare pentru formarea modelelor de invatare automata impreuna cu ArcGIS Pro preinstalat.Preambul: punerea bazelor pentru o abordare ML pentru detectarea caracteristicilor rutiereUna dintre promisiunile fundamentale ale ML a fost intotdeauna capacitatea modelelor instruite de a generaliza la date noi. Usurinta de extensibilitate a unui model bine instruit a permis, la randul sau, automatizarea atat in ​​colectarea datelor, cat si in extragerea / consumul de informatii. In cazul caracteristicilor rutiere, capacitatea de a extrage informatii actionabile din repertoriile existente de date, cum ar fi fotografii si videoclipuri georeferentiate, capturate din Mobile Mapping Systems (MMS) ar oferi o solutie la un cost redus pentru o varietate de cazuri de utilizare comune pentru multi departamentele administratiei locale sau entitatile private. Aceste cazuri de utilizare includ, dar nu se limiteaza la: gestionarea inventarului, evaluarea daunelor si detectarea modificarilor.Incepem investigatia cu date MMS, deoarece acestea vin intr-o varietate de formate, sunt usor de colectat in masa si, in cazul imaginilor pure fara iesiri video sau LiDAR, sunt relativ ieftine de colectat.Un vehicul tipic de cartografiere mobila cu senzori si camere montate in partea superioaraDesigur, cand vine vorba de barbierirea costurilor, o cale de date adesea trecuta cu vederea este reprezentata de imaginile provenite din multime, cum ar fi cele disponibile din Open Street Map. Dezavantajul utilizarii acestor imagini este ca este posibil sa nu includa metadatele necesare pentru a realiza o geolocalizare precisa, sa vina intr-o varietate de formate non-standard si nu sunt intotdeauna disponibile daca este necesara o analiza sistematica a unei rute sau regiuni selectate.Caracteristicile drumului sunt orice obiecte sau puncte de interes care pot fi capturate si identificate din datele MMS. Acestea pot fi clasificate ca caracteristici ale activelor si caracteristici non-active. In cazul primelor, in functie de proprietarul acestor active, acestea pot constitui elemente precum indicatoare rutiere, daune rutiere, sine de protectie, hidranti, copaci, vegetatie la marginea drumului, vehicule, resturi etc. In acest studiu de caz, Esri a lucrat impreuna cu Departamentul de Transport din Arizona (ADOT) pentru a identifica, geolocaliza si clasifica indicatoarele rutiere de autostrada ca parte a unei demonstratii de gestionare a inventarului.Cateva exemple de caracteristici ale drumului, fiecare poate fi de interes pentru o alta partePutem descompune solutia mentionata mai sus in trei bucati distincte in ceea ce priveste arhitectura si functionalitatea: detectare / clasificare, recunoastere optica a caracterelor (OCR) si geotagging.Sa existe date de instruireSetul de date AZGeo consta dintr-o baza de date cu fotografii de aproximativ 2,5 milioane de imagini realizate in anul 2016, care acopera pe larg toate autostrazile interstatale, rutele de stat si strazile din statul Arizona. Array Aceste imagini sunt preluate de pe aceeasi platforma MMS si au o rezolutie uniforma de 640 × 480 px.Imagini de antrenament MMS capturate la intervale regulate, dintre care doar o fractiune contine indicatoare rutiereBiblioteca LabelImg este o biblioteca Python open-source excelenta care ofera o interfata grafica Qt GUI usor de utilizat pentru generarea etichetelor de antrenament in formatele Pascal VOC sau YOLO. Am folosit LabelImg pentru a crea 766 de imagini de antrenament, care au durat aproximativ 3 ore. In scopul acestui flux de lucru, pentru ca suntem interesati doar sa detectam semne de autostrada care nu tind sa implice o multime de variatii, este suficient sa se utilizeze un set de greutati pentru coloana vertebrala ResNet101 care a fost pre-antrenata pe ImageNet. Pentru alte cazuri de utilizare, cum ar fi detectarea indicatoarelor stradale intr-un cadru urban, este foarte recomandat sa va pregatiti reteaua in setul de date LISA, care contine putin peste 6000 de imagini cu indicatoare stradale comune urbane si de autostrazi la un amestec de rezolutii. Din pacate,Desenarea si etichetarea casetelor de delimitare in LabelImgProblema cu generarea unui set atat de mic de imagini de antrenament este ca majoritatea modelelor de CV ar tinde sa se imbrace cu aceste imagini, indiferent daca modelul dvs. a fost predestinat sau nu. Aceasta problema devine deosebit de severa, avand in vedere ca va trebui sa alocati o anumita portiune din setul de instruire pentru testarea si generarea valorilor de evaluare. Pentru a rezolva aceasta problema, a devenit o practica standard in comunitatea CV-ului sa aplici diverse tehnici de augmentare setului tau initial de imagini. Biblioteca imgaug este o biblioteca excelenta de utilizat si ofera tehnici de augmentare, cum ar fi transformari afine, decupare aleatorie, abandon, incetosare gaussiana si multe altele pe casete de delimitare, puncte cheie sau etichete de masca de segmentare.imgaug inainte si dupa: imaginea din stanga sus este „inainte” si orice altceva este „dupa”. Retineti ca casetele de delimitare sunt transformate in acelasi mod ca si imaginile in sine. Unele dintre aceste transformari functioneaza si pentru puncte cheie si masti.Iata lista transformarilor secventiale pe care le-am folosit de altfel, care sunt modificate din exemplele din documentatia oficiala imgaug, care am gasit ca functioneaza destul de bine pentru indicatoarele stradale. Va recomand sa consultati documentatia despre cum sa aplicati aceste transformari.Detectie si clasificareNu voi acoperi prea mult material: detectie si clasificare aici, este suficient sa spun ca s-a folosit o retea mai rapida R-CNN. Consultati acest articol despre modul in care poate fi aplicat Faster R-CNN pentru a efectua detectarea locurilor de parcare. Daca sunteti interesat, acest articol exploreaza arhitectura mai detaliat.In ceea ce priveste performanta, prin experimentare am constatat ca inferenta dureaza aproximativ 0,3 secunde pe imagine, ceea ce pare destul de rapid pana cand se ia in considerare faptul ca pentru a acoperi doar o singura ruta (de exemplu, Interstate 15 in exemplul nostru care are ~ 6600 de imagini), procesul poate dura pana la 33 de minute.O a doua optiune pentru efectuarea detectarii este aplicarea retelei YOLOv3 pentru a efectua detectarea, ceea ce reduce semnificativ timpul de inferenta (pana la 0,05 secunde pe imagine sau doar 5,5 minute pentru Interstate 15).Factorizarea in recunoasterea optica a caracterelorPentru utilizarea cazului de detectare a semnelor, poate fi avantajos pentru managementul inventarului sa determine si textele semnelor detectate. Acest lucru ar permite o indexare mai usoara a semnalizarii sau efectuarea de interogari bazate pe text pe aceste semne indexate. In mod traditional, sarcinile OCR au fost intotdeauna construite de la baza folosind biblioteci Python, cum ar fi pytesseract. Din pacate, aceste biblioteci au fost concepute pentru a analiza documentele scanate si, prin urmare, utilizatorul ar trebui sa efectueze de obicei diverse tehnici de imbunatatire inainte de a obtine o imagine de intrare oarecum utilizabila si chiar si atunci, rezultatele tind sa fie sub-optime.Un exemplu al modului in care se efectueaza in mod traditional preprocesarea imaginii pentru OCR: [Stanga sus] Imaginea originala este convertita in tonuri de gri pentru a scapa de canalele de culoare si pentru a facilita operatiunile ulterioare. [Sus dreapta] Efectuati detectarea marginilor care, in acest caz, utilizeaza Canny Edge Detector de la OpenCV. [Stanga jos] Folositi Hough Line Transforms pentru a gasi marginile unui obiect si pentru a efectua rotatia pentru a indrepta imaginea (textele inclinate, in general, nu functioneaza bine cu Tesseract OCR. porno kabyle peteranswer.com porno onlain www.izbudujemy.pl jeune porno wasted-potential.net free porno sex outdoorcookingsystems.com porno adolescente seacoastsolutions.net agathe auproux porno www.walker-md.com porno party multiple-listings.net gina gerson porno www.gutterfinger.com porno ding www.hollywoodmagicshop.com film horreur porno hhiremodel.com porno xxxx eground.com porno aloha dynel.spicybunny.com 300 porno ofertaromania.ro porno 1980 keyaccounts.com sophie davant porno www.f86sabre.com porno jeune vistabusinesspark.biz porno marocaine justbeyou.com porno usa opermini.com star wars porno dresscircle-net.com site porno trans hhv.com [Jos dreapta] Pragul imaginii pentru a crea gradienti de pixeli clari.Din fericire, API-ul Microsoft Computer Vision simplifica foarte mult acest proces, fiind suficient de flexibil pentru a consuma o multitudine de formate si stiluri de imagine in timp ce efectueaza toate detectia textului, imbunatatirile RoI si procesele de curatare a textului sub capota.API-ul Computer Vision produce urmatoarele informatii de detectie a textului si caseta de delimitare care pot fi apoi vizualizate peste imaginea originala.Oricat de mare este acest API, performantele sale sunt totusi scurte, avand in vedere imaginile cu rezolutie redusa si nu se potrivesc cu viziunea umana, mai ales in cazurile in care detectarea textului este adesea ajutata de contextul de mediu (fiind un domeniu in care viziunea umana exceleaza) . Acesta este momentul in care trebuie sa facem un pas suplimentar pentru a stoarce restul de informatii din aceste imagini.[Sus] Original. [Mijloc] Iesire din super-rezolutie. [Jos] Iesire de la waifu2xSuper-rezolutia este tehnica standard pentru a aborda situatiile in care sunt solicitate intrari de inalta rezolutie (care nu se coreleaza automat cu continut inalt de informatii). Am realizat in trecut cateva aplicatii interesante de super-rezolutie pentru a aborda imagini de esantionare pentru clasificarea deteriorarilor cladirii sau detectarea vehiculului. Desi super-rezolutia exceleaza in domeniul imbunatatirii fotografiilor, atunci cand luam in considerare imaginile text sau documentele scanate, trebuie sa ne amintim sa ne straduim sa obtinem claritatea si claritatea imaginii, mai degraba decat fidelitatea fata de distributia subiacenta a pixelilor adevar-sol, care altfel ar putea produce imagine realista, dar mai estompata. Avand aceste constrangeri in vigoare, este mai logic sa se utilizeze metode traditionale de prelevare de probe a imaginii, cum ar fi interpolare 2D cel mai apropiat, biliniar sau bicubic. In orice caz, trebuie remarcat faptul ca exista o biblioteca uimitoare acolo numita (I kid you not) waifu2x care realizeaza super-rezolutie pe imaginile in stil anime, ceea ce se intampla sa functioneze excelent pentru indicatoarele rutiere. De fapt, acest site va permite sa introduceti propriile imagini si sa vedeti rezultatul final dupa ce ati fost waifu2x'd si este un mod destul de bun de a petrece o dupa-amiaza de vineri daca nu aveti nimic mai bun de facut.Rasucirea GIS care reuneste totul: GeoReferentiereaPana in acest moment, ceea ce am construit nu constituie o solutie geo-activata. Daca nu utilizati toate datele disponibile la maximum constituie o infractiune in stiinta datelor, atunci incorporarea elementelor GIS date de date MMS ar trebui considerata un pacat cardinal, avand in vedere cantitatea mare de geo-metadate care este incorporata in fiecare imagine. Pentru setul de date AZGeo, urmatoarele informatii sunt continute in fiecare imagine.[Sus] Metadate asociate fiecarei imagini. Atributele demne de mentionat sunt ImageCount (ID unic), longitudine, latitudine si rulment. [Jos] Date aparat de fotografiat. Retineti Heading, Roll and PitchCoordonatele lat / lungi sunt masurate de GPS cu o precizie de 12 mm (desi nu sunt neaparat precise pana la 12 mm de tinta). Toate acestea sunt bune, cu exceptia problemei spinoase, ca aceste coordonate nu sunt reprezentative pentru adevaratele lat / lungimi ale obiectelor de puncte de interes (PoI) continute in aceasta imagine. Aceasta nu este o problema usor de abordat si nici o solutie de lucru nu ar fi vreodata banala deoarece lipseste cea mai importanta informatie necesara: cat de departe este un PoI de camera. Cunoscand aceasta informatie, s-ar putea ajunge cu usurinta la o solutie algoritmica. Cu toate acestea, chiar si observatorilor umani li se poate face uneori dificil sa afle exact cat de departe este un lucru de camera.Totusi, un lucru pe care noi, oamenii, il avem in vedere, este un prior incorporat care straluceste putin contextul problemei. Stim ca un indicator este la aproximativ x metri distanta, deoarece avem o idee aproximativa despre cat de mari sunt semnele rutiere in viata reala. Cu toate acestea, fara un sentiment de scara care sa ne ghideze judecata ca in imaginea de mai jos, chiar si noi am fi in pierdere.Cat de mare este aceasta piatra? Puteti spune fara context?Aceasta perspectiva asupra modului in care noi, oamenii, judecam distanta, ne ofera un punct de plecare in abordarea problemei inferentei distantei, daca am putea determina cat de mare este un obiect in spatiul fizic. O abordare naiva a acestei probleme ar trebui sa fie imediat evidenta: pur si simplu efectuati clasificarea pe semnalizare la un grad rezonabil de granularitate si apoi atribuiti o dimensiune fizica fiecarei clase de semne. Din fericire, Administratia Federala a Autostrazilor a pus la dispozitia publicului un Manual privind dispozitivele uniforme de control al traficului (MUTCD) care delimiteaza cu precizie dimensiunile fiecarei clase de semne. Dezavantajul este ca regulamentul privind dimensiunile anumitor semne text, cum ar fi semnele de destinatie (D1–3) si semnele de granita jurisdictionala (I-2), sunt corecte doar intr-un anumit interval sau sunt doar semi-delimitate fara limita superioara restrictii privind dimensiunea.Cu toate acestea, acest lucru ne ofera ceva cu care sa lucram, iar acum putem determina destul de precis dimensiunile fizice ale semnelor non-text, cum ar fi semnele de avertizare, semnele de limita de viteza, marcatorii de ruta de stat si marcatorii de mile. Cu aceste informatii, distanta semnului de camera poate fi usor calculata folosind triunghiuri similare:Cum se poate deduce distanta dintre un obiect si camera (F) de distanta focala (f) si dimensiunea imaginii de pe cenzorul CCD. Odata gasita aceasta distanta, calculati pur si simplu unghiul dintre obiect si bisectoarea imaginii pentru a obtine informatiile necesare pentru deducerea lat / lung a obiectului.In cele din urma, trebuie sa luam in considerare si informatiile auxiliare, cum ar fi rulmentul camerei, care este alcatuit din rulmentul vehiculului si al falcii camerei. Deocamdata nu vom lua in considerare alti parametri, cum ar fi pitch and roll-ul camerei si cum ar contribui la schimbarile distantei deduse.Inferenta mai precisa a distantei cu Deep LearningAbordarea de mai sus a inferentei la distanta ne-a oferit un bun punct de plecare pentru a ne imbunatati, dar nu este nicidecum infailibila. In afara de problema dimensiunilor fizice nedeterministe pentru anumite clase de semne, avem si problema distorsiunii perspectivei in cazul in care un semn se apropie cu adevarat de camera. Ceea ce trebuie sa ne dam seama atunci este daca putem coace o intelegere prealabila suplimentara a dimensiunii in modelul in sine. Acolo unde exista vointa, exista o modalitate care implica invatarea profunda.Ideea aplicarii invatarii profunde pentru a rezolva inferenta la distanta nu este insa ea insasi foarte noua, dar abordarea luata de biblioteca monodepth este una foarte racoritoare: Mai degraba decat sa instruiti o retea neuronala convolutionala pentru a minimiza pierderea dintre o harta de adancime dedusa si un fel a hartii adevarului la sol, informata de datele LiDAR, monodepth foloseste o camera duala configurata pentru a captura date pentru antrenament. Propagarea spate in acest caz implica ajustarea greutatilor retelei astfel incat sa poata reproduce o imagine a obiectivului drept dintr-o singura intrare a obiectivului stang (si invers). Corolarul este ca modelul construieste o intelegere intrinseca a adancimii in timp si toate acestea sunt realizate fara echipamente costisitoare de colectare a datelor.iesire monodepth pe una dintre imaginile noastre MMS. Semnul strazii este clar vizibil si are un gradient uniform, ceea ce inseamna ca monodepth-ul i-a atribuit o adancime fixa. Exista cateva artefacte in stanga, deoarece modelul nu a fost optimizat pe autostrazi in SUA.Pentru a afla care este valoarea pixelilor care corespund distantei, atunci este o simpla problema de regresie si se poate face automat pe setul de testare unde semnele au o locatie cunoscuta.Relatia dintre luminozitate si distanta pare a fi una liniara. O linie de regresie mai precisa poate fi obtinuta prin invatarea prin transfer cu imagini locale capturate dintr-o configuratie cu lentile duale.Dupa integrarea acestei solutii ML pentru inferenta la distanta cu metoda noastra programatica, suntem acum capabili sa determinam cu precizie geocoordonatele unui obiect dintr-o imagine geotagetata. Ingrijit!Metrics, Metrics, MetricsDintre cele cinci aspecte de proiectare care definesc un flux de lucru de invatare automata (date, arhitectura modelului, functia de pierdere, metoda de optimizare si masurarea performantei), masurarea performantei este cea mai frecvent ignorata, dar cea mai importanta fateta. Aruncarea impreuna a unui model ML fara a proiecta valori adecvate ar fi ca si cum ai construi o masina si ai numi-o produs finit, fara a intoarce vreodata cheia pentru a vedea daca functioneaza. Problema este ca majoritatea dezvoltatorilor sunt prea lenesi pentru a-si testa modelele in comparatie cu un set de repere standard sau pentru a veni cu valori personalizate de la inceput, in cazul in care masurile standard de performanta sunt in mod clar insuficiente.Pentru a face acest lucru in mod corespunzator, am creat trei valori separate pentru fiecare dintre cele trei iesiri ale modelului: inferenta lat / lunga, OCR si detectare / clasificare. Dar, inainte de orice, ar trebui mai intai sa desemnam un set de date de testare pe baza carora viitoarele teste de referinta ar fi efectuate. Exista doua avantaje in pastrarea unui set de testare fix: In primul rand, putem fi siguri ca, atunci cand efectuam compararea modelului, toate erorile nesistematice sunt eliminate. In al doilea rand, in functie de locul in care dorim sa implementam modelul, am putea incorpora manual imagini din acel spatiu de testare pentru a evalua capacitatea modelului de a se generaliza in medii straine. Singurul dezavantaj al unui set de testare fix este ca lat / long de PoIs ar trebui sa fie alocate manual, lucru pe care l-am facut cu atentie pe o perioada de doua ore. Ca atare,Inferinta lat / lunga Sunt colectate doua date pentru a masura acuratetea inferentei lat / lunga. In primul rand, deviatia standard L-2 a locatiilor deduse. Aceasta informatie ne permite sa intelegem raspandirea coordonatelor deduse si este ceva ce dorim sa reducem in timp. Cealalta este distributia probabilitatii rulmentului liniei AB unde A este locatia adevarului la sol si B este locatia dedusa. In mod ideal, rulmentul ar trebui sa aiba o distributie uniforma, indicand o lipsa de erori sistematice care altfel s-ar putea manifesta ca grupuri in jurul anumitor valori ale rulmentului.OCR Doua valori sunt utilizate pentru a evalua acuratetea OCR: numarul de cuvinte detectate (fiecare asociat cu distanta de semnalizare dedusa) si procentul de cuvinte identificate corect pentru toate detectiile (pe baza unui indice de similaritate produs de Python's SequenceMatcher). Datele despre adevarul de baza in acest caz sunt introduse manual intr-un dicton Python. Regula implicita pe care am folosit-o atunci cand scriu aceste siruri este ca nu trebuie sa petrec mai mult de o secunda pentru a interpreta textul dintr-un semn si ca ar trebui sa scriu cu siguranta un sir de adevar de baza gol daca consider ca textul este indescifrabil. Cu toate acestea, in cazul OCR, modelul nu a produs rezultate foarte precise pentru putinele semne care contineau vreun text.Unele imagini metrice OCR deosebit de dificile. Daca iti ia mai mult de o secunda pentru a-ti da seama ce este scris, este probabil prea dificil pentru metodele actuale de rezolvat.Detectare / Clasificare Acesta este unul dintre putinele cazuri in care o valoare standard face treaba mai bine decat orice valoare pe care o puteti confectiona. Deoarece modelul de detectie consta din masca R-CNN sau YOLOv3, masura de performanta recomandata este precizia medie medie (mAP). O explicatie detaliata a ceea ce presupune acest lucru este data aici.Valori traditionale pentru activitati de detectare in stil VOC vs. valori noi pentru caz de utilizare curent. Desigur, toata lumea este libera sa vina cu orice masura de performanta pe care o considera adecvata, atata timp cat aceste valori au sens in contextul problemei.Integrarea in cadrul ArcGISModelul din iteratia actuala este capabil sa consume cantitati masive de date brute si sa le transforme in caracteristici utile. Cu toate acestea, nu este o solutie completa, deoarece nu exista mecanisme pentru ca utilizatorul final sa poata consuma cu usurinta aceste caracteristici si, prin urmare, nu poate obtine informatii utile. Aici o solutie end-to-end ArcGIS ofera utilizatorului un avantaj decisiv prin oferte precum monitorizarea starii in timp real folosind tabloul de bord al operatiunilor, tehnici de post-procesare, cum ar fi analiza modelelor, modelarea relatiei spatiale si metodele de clusterizare expuse prin diferite statistici spatiale. seturi de instrumente, precum si platforme de gestionare si coordonare a echipajului de la sol, cum ar fi Forta de munca sau Colector.In ceea ce priveste postprocesarea, ne-am dat seama ca un obstacol in utilizarea datelor MMS este ca obiectele unice tind sa fie identificate de mai multe ori de la diferite cadre ale camerei pe masura ce vehiculul MMS se apropie de PoI. Aceasta nu ar fi o problema daca inferenta lat / lunga sau clasificarea obiectelor pot fi efectuate fara erori, totusi acest lucru nu este de obicei cazul.Utilizarea clusterizarii multivariate restrictionate spatial pentru a grupa semnele dupa class_id intr-o raza data, apoi aplicand caracteristica centrala pentru a obtine centroizi de cluster unici. [Albastru] Detectii originale de semne. [Rosu] Semne care au fost grupate.Clusterul multivariant constrans spatial este un instrument excelent disponibil ca instrument de geoprocesare ArcGIS Pro (disponibil alternativ ca functie Arcpy) care rezolva problema noastra. Acest instrument va permite sa specificati ce atribut de strat sa aplicati o constrangere. In cazul nostru, vrem sa constrangem gruparea la acele puncte care au aceeasi eticheta de clasa si sa aplicam clusterizarea numai intr-o regiune de distanta euclidiana de la fiecare punct.Tabloul de bord al operatiunilor pentru ArcGISArcGIS Ops Dashboard dezvaluie dintr-o privire perspectiveleTabloul de bord Ops pentru ArcGIS permite utilizatorului sa utilizeze diagrame, indicatoare, harti si alte elemente vizuale pentru a monitoriza activele geo-activate. In scopul acestei demonstratii, am colaborat cu ADOT pentru a realiza un tablou de bord pentru a ilustra inventarul de semne rutiere detectate de-a lungul Interstate 15 NB din Arizona.Ops Dashboard poate fi, de asemenea, utilizat cu Collector pentru a reflecta evaluarea echipajului la sol a conditiilor activelor in timp real.Colector pentru ArcGISIntegrarea cu Collector for ArcGIS aduce o capacitate de camp mobil in fluxul de lucru. Am importat stratul caracteristicii de detectare a semnelor intr-o harta web si am adaugat campuri de atribute relevante in setul de date. Membrii echipajului pot adauga informatii la setul de date si pot verifica procesele de invatare automata pe teren. In acest caz, am vrut sa verificam locatia punctelor georeferentiate si validitatea clasificarii semnelor, asa ca am adaugat acele campuri. Am folosit domenii codificate pentru a oferi lucratorilor de teren o lista drop-down predeterminata de atribute. Capacitatea de a alege din lista derulanta previne erorile introduse prin tastarea cu degetele grase si asigura o calitate si o asigurare mai bune a datelor. In plus, lucratorii de teren pot utiliza functiile de voce-text pentru a raporta probleme cu detectarea, deteriorarea semnelor sau modificarile setului de date. Si asta, evita erorile degetelor grase, precum si economiseste timp. Un alt avantaj al aplicatiei este capacitatea sa offline, care permite sincronizarea modificarilor offline cu setul de date atunci cand serviciul este restaurat. Acest flux de lucru eficientizeaza procesul de actualizare, editare, stergere si adaugare de puncte in camp.Campuri suplimentare adaugate la stratul de caracteristici pentru capabilitatile campului Collector for ArcGIS.Aceste actualizari de teren au fost monitorizate aproape in timp real folosind un tablou de bord operational, asa cum se arata mai sus.Editarea campului a fost activata, precum si posibilitatea de a sincroniza date si de a descarca zone de harta pentru colectarea si actualizarea datelor offline.Aplicatia Collector for ArcGIS permite utilizatorului final sa vizualizeze fotografiile fiecarui semn, precum si locatia si datele culese din tehnicile de invatare automata de mai sus.Munca viitoareAcest proiect demo este foarte mult in lucru si, ca atare, exista elemente de functionalitate pe care am vrut sa le integram in aceasta solutie, dar nu am avut timp sa o facem. Asteptati un blog actualizat intr-o ordine scurta. Intre timp, vom continua sa cautam modalitati inovatoare de a ne imbunatati modelul si de a stimula o precizie mai buna.Renuntare completa In masura maxima permisa de lege, raspunderea ADOT, a angajatilor, a functionarilor si a agentilor sai nu va include raspunderea pentru profiturile pierdute, daunele indirecte, accidentale, speciale, punitive sau consecutive sau cererile de la terti catre public, sau orice pierdere de afaceri, venituri sau date, fie ca se bazeaza pe o reclamatie sau actiune de delict, contract, garantie, neglijenta, raspundere stricta, incalcare a obligatiei legale sau orice alta teorie legala sau cauza a actiunii, chiar daca este informat despre posibilitatea a unor astfel de daune. In plus fata de responsabilitatile de mai sus, in cea mai mare masura permisa de lege, orice utilizator al portalului de date AZGeo este de acord sa elibereze si sa mentina inofensiv statul Arizona, angajatii sai, ofiterii, oficialii si agentii din si impotriva oricaror revendicari , actiuni, raspunderi, daune, pierderi sau cheltuieli (inclusiv cheltuieli de judecata, onorariile avocatului si costurile procesarii, anchetarii si litigiilor) care decurg din executarea acestui acord. : Desi datele Departamentului Transporturilor din Arizona din AZGeo au fost produse din surse considerate a fi fiabile, nu se face nicio garantie exprimata sau implicita cu privire la acuratetea, adecvarea, caracterul complet, legalitatea, fiabilitatea sau utilitatea oricarei informatii. Aceasta declinare de responsabilitate se aplica atat utilizarilor izolate, cat si utilizarilor agregate ale informatiilor. Departamentul de Transport din Arizona furnizeaza aceste informatii „CA ATARE”. Sunt respinse toate garantiile de orice fel, exprese sau implicite, inclusiv dar fara a se limita la garantiile implicite de comercializare, adecvarea pentru un anumit scop, lipsa contaminarii cu virusi informatici si nerespectarea drepturilor de proprietate. Modificarile pot fi adaugate periodic la informatiile din acest document; aceste modificari pot sau nu sa fie incorporate in vreo noua versiune a publicatiei. Daca utilizatorul a obtinut informatii de pe pagina web AZGeo de la o alta sursa decat pagina de pornire AZGeo, utilizatorul trebuie sa fie constient de faptul ca datele electronice pot fi modificate ulterior distributiei originale. De asemenea, datele pot deveni rapid depasite. Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. Daca utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la [email protected] Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. In cazul in care utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la adresa [email protected] Se recomanda ca utilizatorul sa acorde o atentie deosebita continutului oricaror metadate asociate cu un fisier si ca autorul (MPD GIS) al informatiilor de date sa fie contactat cu orice intrebari referitoare la utilizarea adecvata. In cazul in care utilizatorul constata erori sau omisiuni, il incurajam sa raporteze echipa GIS a Departamentului de Transport din Arizona la adresa [email protected]

Categorie:
Taguri:
Data adaugarii: