Режимы распознавания

Модель нейронной сети Сельскохозяйственные поля позволяет выделять контуры сельскохозяйственных угодий на мультиспектральных спутниковых снимках с пространственным разрешением 2-10 м/пиксель.

С помощью Расширенных настроек пользователь может выбрать конкретный Подтип нейронной сети (например, для снимков с разрешением 2 м/пиксель или 10 м/пиксель), указать минимальную площадь объектов и уровень приведения контуров полей к прямоугольной форме. При выборе опции Приведение к прямоугольной форме контуры распознанных объектов будут автоматически «дотягиваться» до прямоугольников. В зависимости от уровня приведения (минимальный, средний, максимальный) допускается меньшее или большее отклонение формы объекта от исходной.

Модель нейронной сети Гидрография обеспечивает распознавание таких объектов, как озера, пруды, реки, ручьи. Для обучения нейросетевой модели по объектам гидрографии были использованы снимки лесной, гористой местности, городской застройки, степных и сельскохозяйственных территорий Российской Федерации. С помощью Расширенных настроек пользователь может указать минимальную площадь объектов.

Модель нейронной сети Лес позволяет распознавать на снимках объекты трех категорий: высокоствольный лес, поросль леса (молодые древесные насаждения, кустарники), вырубки (участки с недавно удаленным древостоем). С помощью Расширенных настроек возможно указать минимальный размер объектов и конкретный Подтип нейронной сети (например, для аэрофото с разрешением 0.3 м/пиксель или для спутниковых снимков с разрешением от 0.6 м/пиксель).

Модель нейронной сети Здания предназначена для выделения контуров зданий на изображениях местности. Комплекс «Panorama Vision» приводит распознанные контуры зданий к прямоугольной форме и корректирует их расположение так, чтобы они соответствовали фундаменту зданий. Для точного определения контуров зданий пространственное разрешение данных должно составлять от 0.5 до 1 м/пиксель для спутниковых снимков и 0.1 – 0.25 м/пиксель для аэрофотоснимков.

Комплекс «Panorama Vision» классифицирует распознанные здания по нескольким подтипам: жилые строения (многоэтажные и индивидуальные жилые строения), общественные здания (школы, детские сады, больницы и другие), промышленные и коммерческие здания (заводы, торговые центры и другие), гаражи (гаражно-строительные кооперативы).

С помощью Расширенных настроек можно выбрать Подтип нейронной сети (например, для аэрофото или спутниковых снимков), указать требуется ли корректировать положение зданий на фундамент, задать минимальную площадь объектов и уровень приведения контуров к прямоугольной форме.

Модель нейронной сети Дороги обеспечивает распознавание асфальтированных и грунтовых дорог в крупных населенных пунктах (в условиях городской застройки). В процессе дешифрирования на первом этапе выполняется семантическая сегментация дорог на изображении, формируется растровая маска, содержащая размеченные области, относящиеся к дорожной сети. На втором этапе комплекс «Panorama Vision»  выделяет центральные линии дорог на полученной маске и векторизует объекты дорог. При векторизации производится автоматическое «дотягивание» дорог до пересечений друг с другом в рамках установленного допуска по расстоянию и углу. Допуски для соединения концов дорог задаются с помощью Расширенных настроек.

Для точного выделения дорог пространственное разрешение данных должно составлять от 0.5 до 1 м/пиксель.

Сгенерированная комплексом «Panorama Vision» карта дорожной сети готова к интеграции в ГИС. После загрузки карты в ГИС «Панорама» становятся доступны следующие операции: построение маршрута между двумя точками, создание оптимального маршрута при посещении множества точек, построение графа удаленности.

Модель нейронной сети Дороги (сельская местность) предназначена для распознавания дорог вне населенных пунктов и в сельской местности. С помощью Расширенных настроек пользователь может задать допуски для соединения концов дорог при векторизации. Для точного выделения дорог пространственное разрешение данных должно составлять от 0.5 до 1 м/пиксель.

Модель нейронной сети Город обеспечивает совместное дешифрирование дорожной сети и зданий на снимках. Данный режим обеспечивает распознавание асфальтированных и грунтовых дорог на снимках, а также позволяет классифицировать здания по нескольким подтипам: жилые строения (многоэтажные и индивидуальные жилые строения), общественные здания (школы, детские сады, больницы и другие), промышленные и коммерческие здания (заводы, торговые центры и другие), гаражи (гаражно-строительные кооперативы). В процессе формирования векторной карты выполняется интеллектуальное соединение разрывов дорожной сети в рамках заданного допуска. При этом исключаются возможные пересечения дорог со зданиями, распознанными на снимке. Здания в режиме Город ориентируются вдоль направления ближайших дорог.

В Расширенных настройках одновременно доступны параметры дешифрирования зданий и дорог, что позволяет согласованно настраивать результат векторизации.

Комплексная обработка позволяет с помощью одной заявки создавать по снимкам векторные карты с целым набором объектов: сельскохозяйственные поля (пашни), водоемы (реки, озера и другие), леса (высокоствольный лес, поросль, вырубки), здания и дороги. Как и в режиме распознавания Город сервис «Panorama Vision» выполняет интеллектуальное соединение разрывов дорожной сети в рамках заданного допуска. Для того чтобы повысить точность итоговой векторной карты, сервис согласовывает между собой границы сформированных площадных объектов (леса, пашни, водоемы, здания).

Модель нейронной сети Транспортные средства предназначена для обнаружения и классификации транспортных средств на спутниковых и аэрофотоснимках с пространственным разрешением 0.3-0.6 метров/пиксель. Режим позволяет выявлять транспортные объекты следующих типов: легковые автомобили, пикапы, грузовые автомобили и автобусы, строительная и инженерная техника (в том числе, бульдозеры и экскаваторы), морские и речные суда, самолеты. Нейросетевая модель позволяет точно предсказывать координаты центров транспортных объектов. Кроме того, применяемые нейросетевые алгоритмы помогают разделять близко расположенные объекты, избегая "склеивания" машин на парковках или судов в порту.

С помощью Расширенных настроек пользователь может указать порог уверенности предсказания (в процентах). Порог определяет баланс между полнотой распознавания и количеством ложных срабатываний

Транспортные средства наносятся на карту, как точечные объекты соответствующих типов. Значение уверенности предсказания нейросетевой модели записывается в семантику "Уверенность предсказания" (код 963 в классификаторе panvision.rsc).