Picterra leistet Pionierarbeit bei der ersten Datenkurations- und -explorationstechnologie für Geodaten – sUAS Information – The Enterprise of Drones


Picterra, der führende Anbieter von Geodaten-Software program für maschinelles Lernen, kündigte heute eine leistungsstarke neue Datenkurations- und -explorationstechnologie an, die es Benutzern ermöglicht, ihre Datensätze besser zu verstehen und die Modellgenauigkeit zu verbessern. Diese branchenweit erste Innovation ermöglicht es Organisationen und KI-Groups, automatisierte Einblicke in ihren Datensatz zu erhalten und robustere Modelle mit geringeren Annotationskosten zu erstellen.

Diese neueste Technologieversion baut auf der jüngsten Markt- und Plattformdynamik von Picterra auf, in der das Unternehmen gab den Abschluss einer Investition in Höhe von 6,5 Mio. USD bekannt und leistungsstarke Collaboration-Funktionalität eingeführt. Das Unternehmen betreut heute mehr als 100 Unternehmen weltweit und hilft Führungskräften von Basic Motors bis zur Weltbank, den Betrieb zu erneuern, interne Prozesse zu verbessern und die strategische Bedeutung von Erdbeobachtungsdaten (EO) zu erkennen.

Die Visualisierung von Daten ist der erste Schritt in jedem Arbeitsablauf für maschinelles Lernen (ML) und kann bei der Arbeit mit großen und komplexen Luftbildern auf globaler Ebene oft eine Herausforderung darstellen.

Der Knowledge Exploration Report ist eine branchenweit erste Innovation, die Benutzern hilft, visuelle Muster in ihren Daten aufzudecken und wichtige Erkenntnisse für bessere und robustere Detektoren zu liefern.

„Das Durchsuchen von Datensätzen verändert die Spielregeln für Picterra-Benutzer. Es ist das erste einer Reihe fortschrittlicher Instruments zur Datenpflege, mit denen Benutzer die Leistung ihrer Detektoren mühelos auf die nächste Stufe heben können.“ – Julien Rebetez, Chief Expertise Officer bei Picterra

Der Knowledge Exploration Report ist neben dem Schulungsbericht zugänglich und ermöglicht eine schnelle Bewertung der Schulungsabdeckung und identifiziert Bereiche, in denen sich der Benutzer auf zukünftige Iterationen konzentrieren sollte.

  • Verbessern Sie die Datensatzqualität um sicherzustellen, dass die Daten die verschiedenen Erscheinungsformen eines Objekts abdecken, das während der Produktion zu sehen sein wird (z. B. „Bauen auf Gras“, „Bauen auf Schnee“ usw.). Bessere Datensätze führen zu besseren Modellen.
  • Stellen Sie sicher, dass der Validierungssatz repräsentativ ist: Indem sichergestellt wird, dass der Validierungssatz die Vielfalt des Datensatzes abdeckt, ist der Validierungswert repräsentativer dafür, wie intestine das Modell in der Produktion mit neuen Daten funktioniert.
  • Datenpflege: Verteilen und fokussieren Sie die Annotationsbemühungen auf die wirkungsvollsten Bilder/Regionen des Datensatzes.

Die Funktionen basieren auf unüberwachten Lern- und Clustering-Techniken und ermöglichen es einem Benutzer, die Verteilung seines Datensatzes zu bewerten. Dies ist wichtig, da Benutzer so „Annotationslücken“ in ihren Datensätzen erkennen können.

Der Bericht unterteilt große Bilder in kleine Kacheln, bevor er ähnliche Kacheln basierend auf ihrer visuellen Ähnlichkeit (z. B. Wald, Wasser, Stadt usw.) gruppiert. Diese Kacheln werden dann im interaktiven Bericht visualisiert, sodass Benutzer nachvollziehen können, welche Regionen vom aktuellen Trainingsdatensatz abgedeckt werden, und gegebenenfalls Anpassungen vornehmen können.

Die Datensatzexploration kann auch für „Knowledge Curation“-Ansätze verwendet werden. Dies ist der Fall, wenn Sie ein Staff von Kommentatoren haben und diese den Bildern zum Kommentieren zuweisen müssen. Indem Sie die zu kommentierende Area mithilfe des Dataset Exploration Report auswählen, stellen Sie sicher, dass Sie die Annotationsmitarbeiter so effizient wie möglich verteilen, da sie Regionen annotieren, die die vom Dataset abgedeckte Erscheinungsvielfalt maximieren. Dies führt zu robusteren Detektoren.

Das folgende Kundenbeispiel zeigt anhand von Satellitenbildern aus Marokko, wie der Knowledge Exploration Report zur Lösung realer Probleme verwendet werden kann. Das Ziel des Detektors bestand in diesem Fall darin, von Menschenhand geschaffene Löcher zu identifizieren, die zur Wiederaufforstung genutzt wurden – eine natürliche Lösung, um die Artenvielfalt zu erhalten und zu stärken und den Klimawandel zu bekämpfen.

Nach dem anfänglichen Detektortraining konnte der Knowledge Exploration Report fehlende Trainingsabdeckung identifizieren, wo dem Detektor nicht beigebracht wurde, wie die Löcher nicht aussehen. Daher verringert das Hinzufügen leerer Trainingsbereiche innerhalb der identifizierten Area das Risiko einer höheren Price falsch positiver Erkennungen, wenn der Detektor im Maßstab betrieben wird. Ein ähnlicher Prozess kann auch eine bessere Genauigkeitsbereichsabdeckung sicherstellen.

Um mehr zu lernen, Melden Sie sich für unser bevorstehendes Webinar an wo wir diese neueste Weiterentwicklung präsentieren und selbst ausprobieren können Melden Sie sich für eine 45-tägige kostenlose Testversion an.

Über Picterra

Picterra wurde 2016 in der Schweiz gegründet und hilft Kunden weltweit, einige der schwierigsten Geodatenprobleme zu lösen, um ihre Unternehmen zukunftssicher zu machen und zu skalieren und den Übergang zu einer dekarbonisierten Wirtschaft zu unterstützen. Durch den Zugriff auf mehr Erdbeobachtungsbilder (EO) als je zuvor erkennen Unternehmen aus allen Branchen die strategische Bedeutung dieser Daten, selbst diejenigen, die traditionell nie einen Anwendungsfall für Satelliten-, Drohnen- und Luftbilder gesehen haben. Picterra ist die verbindende Kraft zwischen den Rohdaten von Satelliten-, Drohnen- und Luftbildanbietern und den Fachexperten, die ihren Kunden raumbezogene Dienstleistungen und Beratung anbieten.

Leave a Reply

Your email address will not be published. Required fields are marked *