Сегментация зданий на изображениях

Что умеет эта модель?

Данная модель разработана для сегментации экземпляров изображений, специализируясь на точном выделении зданий. Она успешно справляется с задачей разделения отдельных объектов зданий на снимках, что позволяет автоматизировать процесс анализа городской застройки и картографирования.

Как обучена эта модель?

• Модель была использована в рамках соревнования Building Extraction Generalization 2024 (после его завершения).

• Обучение проводилось на наборе данных в течение 12 эпох. В качестве базовой модели использовалась .

• При тестировании на тестовом наборе данных были достигнуты следующие результаты:

• Показатели на уровне пикселей (точность, полнота, F1-мера и аккуратность) составили около 0.85.

• F1-мера по объектам (целевая метрика) составила около 0.60.

Архитектура модели

• Модель основана на архитектуре Mask2Former для универсальной сегментации. Ключевые параметры:

• Функция активации: ReLU

• Архитектура бэкбона: Swin Transformer для классификации изображений.

• Слои бэкбона: [2, 2, 18, 2]

• Размерность вложения: 192

• Скрытая функция активации: GELU

• Размерность скрытого слоя: 1536

• Эти параметры обеспечивают глубокое извлечение признаков и эффективную обработку изображений для задач сегментации.

Ссылки

tomascanivari/mask2former-swin-large-coco-instance-finetuned-buildings

Ссылки

https://https://huggingface.co/tomascanivari/mask2former-swin-large-coco-instance-finetuned-buildings