area_assessment's People
area_assessment's Issues
TODO list
Возможные шаги для улучшения:
- Узнать почему в ходе обучения горки появляются
- Новые спутниковые снимки (без угла)
—————————————————— - На входе int8 вместо float. Итог: без нормировки намного медленнее обучается
- Сделать выходную размерность не 2, а 1: уже реализовано в коде. Модель Кирилла (unet_old) изначально заточена под выход […,2]. Новые же объявления поддерживают как 1, так и 2
- Сделать предсказание с пересечением: patches_toarray_overlap: Готово
- Две сети для: а) Маски б) Спутника. Потом метаклассификатор: Готово
- Попробовать какое качество если предсказание=Nokia_map: сделано, качество хуже, в районе 0.7
- Переписать на новый Keras: готово
- Поменять зоом: на 20 не обучается, на 19 норм, на 18 обучается примерно так же, как и z19
- Поменять окошко с 64x64: работает успешно с 128x128, динамика обучения: unet_old(128, 128, 3)
Динамика с output_channels = 2:
Динамика с output_channels = 1:
С окошком 256x256 не работает - не хватает памяти.
Structure of Storage
Структура storage:
- cnn_weights: веса моделей
- mapbox: демка
- geoserver: какие-то данные по Pyramid и Dawmat. По сути просто спутниковые снимки + мусорные файлы
- geoshapes: файлы с расширениями dbf, pro, she, shx
- geotiffs: содержит Heatmaps для полей. Около 60 файлов большой размерности, все *.tif файлы
- result_buildings/unet_weights_epoch…: содержит HeatMaps примерно 60 штук каждая 10328x3793 пикселей
- sakaka_data:
- buildings: содержит несколько train и test
- satellite_images:
- raw_geofits: содержит спутниковые Dumat, три разных папки, видимо, по разным датам
- retiled_geotiffs: содержит две папки, разрезанную карту и с полигоны, каждая картинка по 512x512 в формате tif. Каждая примерно по 800KB
- united_geotiffs: содержит объединенные все
——
sakaka_data-buildings:
- train_evaluate: содержит огромную маску города и фотографию города
Pipeline
Pipeline:
- Размечаем территорию через ArcGIS: получаем geojson
- Скачиваем через SAS.Planet с ArcGIS спутниковые снимки
- Делаем train маски из изображений с ArcGIS + geojson при помощи make_train_masks.py
- DataGenerator:
- Вход - считать изображение с ArcGis. Плюс Аугментация
- Выход - считываем маску размеченную из п.3
- Обучаем модель
- Делаем предсказание моделью -> сохраняем вместе с geo метаданными -> трансформируем в shape file -> грузим на ArcGIS online -> Front подсоединяется к layer'у
Notes
Текущая лучшая модель:
z18_epoch306_jaccard0.891_dice_coef_K0.942_fmeasure0.960.hdf5
Или
z18_epoch263_jaccard0.890_dice_coef_K0.942_fmeasure0.960.hdf5
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.