logo

AiTLAS工具箱（人工智能地球观测工具箱）包含用于卫星图像探索性和预测性分析的最先进机器学习方法，以及人工智能就绪的地球观测（EO）数据集存储库。它可以轻松应用于各种地球观测任务，如土地利用和覆盖分类、作物类型预测、特定对象定位（语义分割）等。AiTLAS的主要目标是促进地球观测专家更好地使用和采用新颖的人工智能方法（和模型），同时为人工智能专家提供易于访问和标准化格式的地球观测数据集，从而允许对针对地球观测数据的各种现有和新颖人工智能方法进行基准测试。

入门

AiTLAS介绍 https://youtu.be/-3Son1NhdDg

AiTLAS软件架构：https://youtu.be/cLfEZFQQiXc

AiTLAS简介：https://www.youtube.com/watch?v=lhDjiZg7RwU

AiTLAS示例：

使用AiTLAS进行多类土地利用分类：https://youtu.be/JcJXrMch0Rc
多标签土地利用分类：https://youtu.be/yzHkEMbDW7s
玛雅考古遗址分割：https://youtu.be/LBFY4pCfzOU
学习性能可视化：https://youtu.be/wjMfstcWBSs

安装

安装aitlas的最佳方式是创建虚拟环境并使用pip安装requirements。以下是步骤：

进入克隆仓库的文件夹。
创建虚拟环境

conda create -n aitlas python=3.8

使用虚拟环境

conda activate aitlas

在Windows上安装aitlas之前，建议从非官方Windows轮子存储库安装以下包：

pip install GDAL-3.4.1-cp38-cp38-win_amd64.whl 
pip install Fiona-1.8.20-cp38-cp38-win_amd64.whl
pip install rasterio-1.2.10-cp38-cp38-win_amd64.whl

安装requirements

pip install -r requirements.txt

就是这样，你可以开始使用aitlas了！

python -m aitlas.run configs/example_config.json

如果你想将aitlas作为包使用，请在克隆仓库的文件夹中运行

pip install .

注意： 你需要从各自的来源下载数据集。你可以在aitlas/datasets/中的相应数据集类中找到每个数据集的链接，或使用AiTLAS语义数据目录

引用

在学术环境中进行归属时，请引用我们发表在Remote Sensing (2023)上的工作**'AiTLAS：地球观测人工智能工具箱'** 链接，如下：

@article{aitlas2023,
AUTHOR = {Dimitrovski, Ivica and Kitanovski, Ivan and Panov, Panče and Kostovska, Ana and Simidjievski, Nikola and Kocev, Dragi},
TITLE = {AiTLAS: Artificial Intelligence Toolbox for Earth Observation},
JOURNAL = {Remote Sensing},
VOLUME = {15},
YEAR = {2023},
NUMBER = {9},
ARTICLE-NUMBER = {2343},
ISSN = {2072-4292},
DOI = {10.3390/rs15092343}
}

AiTLAS生态系统

AiTLAS：基准竞技场

一个开源基准框架，用于评估地球观测（EO）中图像分类的最先进深度学习方法。为此，它对超过500个模型进行了全面的比较分析，这些模型源自十种不同的最先进架构，并将它们与来自22个具有不同大小和属性的数据集的各种多类和多标签分类任务进行了比较。除了完全在这些数据集上训练的模型外，它还采用了在迁移学习背景下训练的基准模型，利用预训练的模型变体，这通常在实践中进行。所有呈现的方法都是通用的，可以轻松扩展到许多其他遥感图像分类任务。为确保可重复性并促进更好的可用性和进一步的发展，所有实验资源，包括训练好的模型、模型配置和数据集的处理细节（以及用于训练和评估模型的相应splits）都可在此存储库中获得。

仓库：https://github.com/biasvariancelabs/aitlas-arena

论文：地球观测深度学习的当前趋势：图像分类开源基准竞技场，ISPRS摄影测量与遥感杂志，第197卷，第18-35页