Los gobiernos y las organizaciones humanitarias necesitan datos fiables sobre los cambios en los edificios y la infraestructura a lo amplio del tiempo para mandar la colonia, asignar posibles y contestar a las crisis. Sin confiscación, muchas regiones del Sur Total necesitan un longevo acercamiento a datos oportunos y precisos sobre los edificios, lo que dificulta el seguimiento del crecimiento urbano y el incremento de la infraestructura. La partida de estos datos obstaculiza la competencia de la planificación y las iniciativas de respuesta a los desastres. Los métodos actuales para detectar edificios generalmente se basan en imágenes satelitales de suscripción resolución, que proporcionan imágenes detalladas de las huellas de los edificios. Sin confiscación, las imágenes de suscripción resolución a menudo se capturan esporádicamente, a veces con primaveras de diferencia, lo que dificulta el seguimiento de los cambios en los edificios a lo amplio del tiempo, especialmente en zonas rurales o de rápido incremento.
Los investigadores de Google presentaron el conjunto de datos temporales Open Buildings 2.5D para topar el problema del rápido crecimiento de la población urbana, en particular en el Sur Total, donde se prevé que las áreas urbanas se expandirán significativamente para 2050. A diferencia de los esfuerzos anteriores, que dependían de imágenes de suscripción resolución, este nuevo conjunto de datos utiliza imágenes satelitales Sentinel-2 capturadas por la Agencia Espacial Europea, que ofrece una resolución más herido pero captura imágenes cada cinco días a nivel mundial. Al utilizar un novedoso enfoque de enseñanza espontáneo, el conjunto de datos puede estimar los cambios en la presencia y la mérito de los edificios a lo amplio del tiempo, cubriendo una gran región geográfica desde 2016 hasta 2023.
La idea central detrás del conjunto de datos implica el uso de una combinación de modelos de estudiantes y profesores basados en la casa HRNet. El maniquí del profesor se entrena con imágenes satelitales de suscripción resolución, lo que proporciona etiquetas de verdad en el contorno. El maniquí del estudiante, entrenado con imágenes Sentinel-2 de beocio resolución, tiene como objetivo entretener las predicciones del profesor sin ver directamente las imágenes de suscripción resolución. Al disfrutar múltiples marcos temporales de datos Sentinel-2 (hasta 32 imágenes para cada ubicación), el maniquí alivio la resolución y detecta huellas de edificios con suscripción precisión. Este enfoque permite que el maniquí envergadura una intersección sobre unión (IoU) media del 78,3 %, que está cerca de la precisión del 85,3 % obtenida utilizando imágenes de suscripción resolución. El conjunto de datos todavía incluye herramientas para estimar cielo y recuentos de edificios, con un error invariable medio de 1,5 metros para estimaciones de mérito y predicciones confiables de recuento de edificios.
En conclusión, el conjunto de datos temporales Open Buildings 2.5D de Google ofrece un avance significativo en la detección y el seguimiento de los cambios en los edificios en todo el Sur Total mediante imágenes satelitales públicas. Al consumir una combinación de imágenes Sentinel-2 frecuentes y de beocio resolución y modelos de enseñanza espontáneo, proporciona una opción innovadora para topar la yerro de datos precisos y actualizados sobre los edificios. El método propuesto no solo alivio la capacidad de rastrear los cambios en las áreas urbanas, sino que todavía respalda una mejor planificación y respuesta frente a crisis en regiones que a menudo carecen de datos.
Echa un vistazo a la Conjunto de datos y BlogTodo el crédito por esta investigación corresponde a los investigadores de este plan. Por otra parte, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Hacia lo alto!. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..
No olvides unirte a nuestro Subreddit con más de 50 000 millones de usuarios
Pragati Jhunjhunwala es pasante de consultoría en MarktechPost. Actualmente está cursando su estudios en tecnología en el Instituto Indio de Tecnología (IIT) de Kharagpur. Es una entusiasta de la tecnología y tiene un gran interés en el ámbito de las aplicaciones de software y ciencia de datos. Siempre está leyendo sobre los avances en diferentes campos de la IA y el ML.