Вращение SIMRDWN, часть I Обучение модели обнаружению автомобилей на изображениях сверху Фреймворк SIMRDWN расширяет популярные алгоритмы обнаружения объектов для работы в области служебных изображений. Вкратце, SIMRDWN расширяет усовершенствования YOLT в YOLO , чтобы включить модели API обнаружения объектов TensorFlow . Предыдущий пост представил SIMRDWN, а последующие посты ( 1 , 2 ) проиллюстрировали его применение в отношении методов сверхвысокого разрешения. В этом..

Автор: Хамед Алемохаммад , главный специалист по данным, Radiant Earth Foundation Машинное обучение (ML) и наблюдение Земли (EO) - взаимодополняющие технологии. В то время как EO помогает нам понять естественные и антропогенные изменения на Земле, ML дает нам возможность анализировать огромные объемы изображений и строить новые модели для данных EO, что было бы очень сложно, если не невозможно, с использованием традиционных физических моделей несколько коротких лет назад. Обещания..

Наша группа данных регулярно составляет карту инфраструктуры в масштабе страны, как и в предыдущих проектах, чтобы построить полную карту школ в Колумбии или определить высоковольтные вышки в Нигерии, Пакистане и Замбии. Мы сторонники подхода к картированию с помощью искусственного интеллекта, который сочетает в себе процессы машинного обучения (ML) и нашу команду специалистов по картографии для быстрого получения высокоточных данных. Однако работа на уровне страны (с десятками..

Использование изображений с очень высоким разрешением для обучения глубоких нейронных сетей Человеческое узкое место В Earthcube мы автоматически отслеживаем десятки сайтов по всему миру, чтобы предоставлять нашим клиентам непрерывную прямую трансляцию, актуальную для их бизнеса. Благодаря компьютерному зрению мы можем отслеживать конструкции, транспортные средства, изменения и большинство важных функций, которые вы можете найти на спутниковых снимках или изображениях с БПЛА...