HRNet-W32 Footprint

Чекпоинт для бинарной семантической сегментации контуров зданий на высокодетальных ортофото. Архитектура: HRNet-W32 + FCNHead, обучение и инференс в MMSegmentation 1.x. Это модель, которую использует пайплайн Footprint-Creater для превращения маски в GIS-ready Shapefiles.

🧐 Ключевые особенности

• 🔥 HRNet-W32 сохраняет высокое разрешение по всей сети — лучше держит границы зданий, чем агрессивные encoder-decoder схемы.
• 🚀 2 класса: background и building; вход 1024×1024 px RGB, ImageNet mean/std, BGR→RGB.
• 👀 Вес чекпоинта ~231 MB; inference в режиме whole.
• 🗿 Для полных ортофото — скользящее окно с ~50% перекрытием и склейка, а не подача всего снимка.
• 🧐 Семантика, не инстансы: соприкасающиеся здания сливаются в один полигон.
• 🔥 Сырая маска — не картографический продукт: в референсном пайплайне фильтрация компонент <100 м², заливка дыр, сглаживание, Douglas-Peucker и замена на min bounding rectangle при IoU выше порога.

👀 Пример

from mmseg.apis import init_model, inference_model

# cfg — конфиг EncoderDecoder/HRNet/FCNHead из карточки
model = init_model(cfg, "iter_40000.pth", device="cuda:0")
result = inference_model(model, "patch.png")
mask = result.pred_sem_seg.data.cpu().numpy()[0]  # 0 = фон, 1 = здание

Подробнее

Обучение: CrossEntropy + Dice, SGD с PolyLR, 40 000 итераций, патчи 1024×1024 со stride 512.
Публичных бенчмарков нет: датасет приватный, IoU на публичных наборах не заявлен.
Ограничения: чёрные/белые края ортофото систематически принимаются за здания — маскируйте их до инференса; сезонность, сенсоры и необычные кровли снижают точность.
Лицензия MIT, поставляется as-is.