Tutorial Completo de IA Geoespacial: Extracción de Contornos de Edificios Usando U-Net, Grounding DINO y SAM

Un nuevo tutorial técnico presenta un pipeline completo de aprendizaje profundo geoespacial para extraer contornos de edificios a partir de imágenes aéreas de alta resolución. El flujo de trabajo integra múltiples modelos de visión computacional, incluyendo U-Net con codificador ResNet-34 para segmentación semántica, junto con enfoques sin entrenamiento previo usando Grounding DINO y SAM, con comparaciones contra Mask R-CNN para segmentación de instancias. El pipeline abarca configuración del ambiente geoespacial, descarga de imágenes NAIP y etiquetas vectoriales, generación de chips georeferenciados y creación de máscaras. El modelo U-Net se entrena con validación cruzada y detención temprana, con evaluación de desempeño a nivel de píxeles usando IoU y F1. La inferencia de ventana deslizante procesa escenas no vistas para generar rasters de predicción y probabilidad. Las máscaras predichas se convierten en polígonos de edificios limpios y regularizados con cálculo de propiedades geométricas y comparación entre salidas brutas y ortogonalizadas. El flujo de trabajo se extiende a conjuntos de datos del mundo real utilizando imágenes NAIP del Microsoft Planetary Computer y etiquetas de Overture Maps, demostrando aplicabilidad práctica para escenarios de producción.