Com o Clarity, introduzimos nosso próprio modelo de segmentação. Ele gera máscaras de segmentação a partir de imagens de satélite de alta resolução de qualquer lugar do mundo e em diferentes sensores.
A flexibilidade foi a prioridade do projeto. É por isso que o Clarity agora suporta a segmentação em 63 classes em múltiplos níveis hierárquicos com complexidade crescente. No nível superior, uma cena é separada em água, vegetação, áreas construídas e um quarto grupo para o que obscurece a superfície abaixo. Cada um deles se abre em classes mais refinadas em cada nível inferior.
Dentro da vegetação, por exemplo, uma das classes é a floresta. A partir daí, a taxonomia pode identificar categorias cada vez mais específicas, chegando a diferentes tipos de florestas e árvores. O mesmo se aplica às áreas construídas: partindo de uma classe dentro de áreas construídas, que pode então ser dividida em categorias como edifícios industriais, urbanos ou rurais.
Esta hierarquia permite que nossos clientes separem as classes relevantes para seu trabalho sem colapsá-las em categorias genéricas de cobertura do solo. Mantemos as classes gerais, o que permite que elas mantenham seu significado em todas as regiões, em vez de apenas naquelas em que o modelo foi treinado.
O Clarity opera em imagens de alta resolução, desde 1 m até resoluções de 0,20 cm. Como um modelo único, ele lida com cobertura regional ampla e detalhes finos em um local individual, para que as equipes não precisem trocar de modelo quando o escopo da análise muda.
O Clarity é um modelo leve. Modelos de fundação construídos para segmentação geral carregam o peso de tudo o mais para o qual foram projetados, o que muitas vezes os torna lentos para executar e exigentes para configurar. O Clarity foi construído apenas para segmentação, por isso funciona rápido e é fácil de usar, o que torna acessíveis até mesmo tarefas maiores, como cobrir uma região completa. Seu tamanho também torna possível o ajuste fino, para que uma equipe que trabalha em uma região ou caso específico possa melhorar ainda mais o desempenho.
A anotação manual custa semanas por conjunto de dados e depende da disponibilidade do analista, portanto, o escopo acaba sendo reduzido para caber no orçamento de rotulagem, em vez de se adequar ao projeto em questão. O Clarity entrega as mesmas máscaras em segundos, sem a necessidade de um conjunto de dados anotado para começar. Isso permite que as equipes segmentem um país inteiro onde o orçamento anteriormente cobria apenas alguns locais de teste.
O Clarity é competitivo em relação a modelos de segmentação estabelecidos, como SAM e SegFormer, inclusive em imagens de regiões que ainda não viu.
