沙丘社区
论文

Anaximander：在不同计算后端交互运行地理空间模型

Anaximander: Interactively Running Geospatial Deep Learning Models on Any Compute Backend

Satej S. Soman, Akram Zaytar, Girmaw A. Tadesse, Gilles Q. Hacheme, Muhammad S. Danish, Inbal Becker-Reshef, Rahul Dodhia, Juan Lavista Ferres
AI 基础设施应用与实践模型部署模型服务框架视觉感知与空间理解

摘要

对于遥感从业者来说，将深度学习模型应用于地理信息系统 (GIS) 内的卫星图像仍然是一个很大的障碍。模型以不兼容的格式到达，并针对不同的计算环境，从本地工作站到无服务器云服务。因此，在单个预测到达分析师的地图之前，每次评估都需要自定义部署、切片和地理配准代码。这种摩擦阻碍了模型选择直接影响操作结果（例如田地划分、作物监测和灾害响应）的领域中的系统比较。我们推出了阿那克西曼德（Anaximander），这是一种开源系统，它将模型源和计算位置选择统一在一个交互界面后面。该系统的后端是一个推理服务器，它从多个常用源加载模型，并在任何可访问的计算后端上为它们提供服务。服务器提供会话管理和模型缓存，并按图块流回结果。后端与 QGIS 插件配对，可驱动平铺、结果重组、地理配准和实时每个图块状态可视化。附加的用户界面路径将图层图例作为提示注入视觉语言模型中。我们在农田描绘任务上对三种异构模型进行无代码并排比较来演示该系统：通过云 API 的 gpt-image-1、远程 GPU 上的 Segment Anything Model 3 (SAM3) 以及本地 CPU 上的 DelineateAnything。推理后端和协议是开源的，可在 https://github.com/microsoft/nxmndr。 获取

Anaximander：在不同计算后端交互运行地理空间模型：论文原图
图 1：系统架构。 (1) 客户端选择模型（HuggingFace、云 API、本地权重）并指定输入图像。 (2) 模型规范和图块流至 nxmndr 服务器，该服务器将推理分派至并置的 CPU/GPU；云模型是通过 HTTP 直接或通过 nxmndr 代理访问的。 (3) 在选定的计算目标上运行推理。 (4) 结果流返回客户端，(5) 重新组装、地理参考并在 QGIS 画布中渲染。