DCAP
чекпоинты для сегментации оползней
1 мин чтенияобновлено
Модель реализует подход Detail–Context Adaptive Structured Pruning (структурированная прунинговая адаптация контекста и деталей) для точного определения и сегментации оползней по спутниковым или многоканальным данным. В релиз вошли две ансамблевые сборки: Dense ResUNet и DCAP70, каждая из которых использует усреднение вероятностей по трём сидам (seed). На вход принимаются специфические 21-канальные признаки отражаемости и изменений. Решение предназначено для исследователей и специалистов в области дистанционного зондирования Земли и анализа геологических катастроф.
Ключевые особенности
- Включает чекпоинты Dense ResUNet и DCAP70 для точного анализа
- Использует ансамблирование из трёх участников с усреднением предсказанных вероятностей
- Обрабатывает комплексные 21-канальные входные данные отражаемости и изменений
- Распространяется под свободной лицензией MIT с полными инструкциями по воспроизведению
Что можно сделать
- Запустить оценку качества моделей с помощью официальной консольной утилиты проекта
- Интегрировать чекпоинты в пайплайны обработки данных дистанционного зондирования
- Провести сравнительный анализ ансамблей Dense ResUNet и DCAP70 на собственных наборах данных
- Выполнить воспроизведение результатов согласно официальному руководству репозитория
Пример
hf download ghimiredhikura/DCAP --include "*.pt" --include MODEL_NOTICES.txt --local-dir downloads/models
python -m dcap models install --source downloads/modelsПодробнее
Архитектура: Dense ResUNet и DCAP70Входные данные: 21-канальные признаки отражаемости и изменений
Ансамбли: усреднение вероятностей трёх seed-моделей
Лицензия: MIT










Комментарии