Opublikowany poradnik pokazuje jak zbudować kompleksny workflow GeoAI do automatycznego wyodrębniania konturów budynków z lotniczych zdjęć wysokiej rozdzielczości. Proces rozpoczyna się od konfiguracji geospatialnego środowiska do głębokich uczenia się, pobrania danych rastrowych i etykiet wektorowych, a następnie przygotowania zdań obrazów oraz masek segmentacji. W kolejnym etapie trenowany jest model U-Net oparty na enkoderze ResNet-34, jego zachowanie jest oceniane, a inferencyjna zostaje zastosowana do nowych scen przy użyciu techniki sliding-window.
Tutorial wykracza poza zwykłą segmentację semantyczną, prezentując konwersję przewidywanych masek w czyste, regularyzowane wielokąty budynków oraz obliczanie metryk IoU i F1. Szczególnie interesujące jest porównanie tradycyjnego podejścia z metodami zero-shot wykorzystującymi Grounding DINO i SAM wobec wytrenowanego modelu Mask R-CNN, demonstrującymi nowe możliwości bezuczeniowe.
Praktyczne znaczenie tego podejścia wynika z możliwości skalowania na rzeczywiste obszary geograficzne, gdzie dane pochodzą z Microsoft Planetary Computer, a etykiety z mapy Overture Maps. Taki workflow otwiera drogę do automatyzacji zadań kartograficznych i monitorowania zmian infrastruktury na dużą skalę, łącząc siłę nowoczesnych modeli wizji komputerowej z geoprzestrzennym kontekstem.