{"id":17906,"date":"2025-11-05T11:21:35","date_gmt":"2025-11-05T09:21:35","guid":{"rendered":"https:\/\/spatialworld.fi\/?page_id=17906"},"modified":"2025-11-27T10:58:19","modified_gmt":"2025-11-27T08:58:19","slug":"fme-blog-dinov3","status":"publish","type":"page","link":"https:\/\/spatialworld.fi\/fi\/fme-blog-dinov3\/","title":{"rendered":"fme-dinov3"},"content":{"rendered":"[vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overflow=”visible” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_direction_desktop=”default” column_element_spacing=”default” desktop_text_alignment=”default” tablet_text_alignment=”default” phone_text_alignment=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_backdrop_filter=”none” column_shadow=”none” column_border_radius=”none” column_link_target=”_self” column_position=”default” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” animation_type=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text css=”” text_direction=”default”]\n

🦎Hengitt\u00e4\u00e4 uutta eloa rasteridataan teko\u00e4lyupotuksilla ja FME:ll\u00e4🦖<\/span><\/h1>\n[\/vc_column_text][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overflow=”visible” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_direction_desktop=”default” column_element_spacing=”default” desktop_text_alignment=”default” tablet_text_alignment=”default” phone_text_alignment=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_backdrop_filter=”none” column_shadow=”none” column_border_radius=”none” column_link_target=”_self” column_position=”default” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” animation_type=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text css=”” text_direction=”default”]Paikkatietokuvat ja muut rasteriaineistot ovat usein alihy\u00f6dynnettyin\u00e4 arkistoissa, ja ne ovat t\u00e4ynn\u00e4 potentiaalisia ja vaikeasti hy\u00f6dynnett\u00e4vi\u00e4 tietoja. Nyky\u00e4\u00e4n teko\u00e4lymallien luokka, jota kutsutaan\u00a0<\/span>upotusmalleiksi<\/span><\/strong>\u00a0, on muuttamassa t\u00e4t\u00e4. K\u00e4ytt\u00e4m\u00e4ll\u00e4 upotuksia, datan numeerisia esityksi\u00e4, jotka tallentavat sen olennaiset mallit, voimme avata nykyisist\u00e4 ja vanhoista rasteridatoista tietoja, jotka aiemmin olivat saavuttamattomissa.<\/span><\/p>\n

Aiemmin upotukset olivat enimm\u00e4kseen sis\u00e4inen vaihe luokittelumalleissa. Esimerkiksi neuroverkko saattoi oppia ominaisuuksia, jotka auttoivat erottamaan kissan koirasta, mutta n\u00e4it\u00e4 ominaisuuksia ei tyypillisesti k\u00e4ytetty suoraan. Paikkatietoalalla malli piti yleens\u00e4 edelleen kouluttaa omalla merkityll\u00e4 datalla k\u00e4ytt\u00f6kelpoisten tulosten saamiseksi.<\/span><\/p>\n

Geneeristen mallien, kuten\u00a0<\/span>DINOv3:n<\/span><\/strong>\u00a0, avulla voit nyt laskea upotuksia suoraan omille kuvillesi, omilla koneillasi. Voit edelleen hienos\u00e4\u00e4t\u00e4\u00e4 niit\u00e4 tarvittaessa, mutta kuten n\u00e4emme, voit tehd\u00e4 paljon jo k\u00e4ytt\u00e4m\u00e4ll\u00e4 esikoulutettua mallia “sellaisenaan”. Tietenkin voit my\u00f6s rakentaa niiden p\u00e4\u00e4lle, mink\u00e4 vuoksi Meta kutsuu sit\u00e4 vision perustamalliksi.<\/span>[\/vc_column_text][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overflow=”visible” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_direction_desktop=”default” column_element_spacing=”default” desktop_text_alignment=”default” tablet_text_alignment=”default” phone_text_alignment=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_backdrop_filter=”none” column_shadow=”none” column_border_radius=”none” column_link_target=”_self” column_position=”default” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” animation_type=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][image_with_animation image_url=”17955″ image_size=”full” max_width=”100%” max_width_mobile=”default” animation_type=”entrance” animation=”None” animation_movement_type=”transform_y” hover_animation=”none” alignment=”center” border_radius=”none” box_shadow=”none” image_loading=”default”][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overflow=”visible” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_direction_desktop=”default” column_element_spacing=”default” desktop_text_alignment=”default” tablet_text_alignment=”default” phone_text_alignment=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_backdrop_filter=”none” column_shadow=”none” column_border_radius=”none” column_link_target=”_self” column_position=”default” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” animation_type=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text css=”” text_direction=”default”]\n

kuva on otettu osoitteesta https:\/\/ai.meta.com\/dinov3\/<\/em><\/p>\n

 <\/p>\n

Safe Softwaren FME<\/span><\/strong>\u00a0:n (Feature Manipulation Engine) joustavuuden\u00a0ja v\u00e4h\u00e4n koodia vaativan integraatioalustan ansiosta my\u00f6s koodaamattomat voivat hy\u00f6dynt\u00e4\u00e4 n\u00e4it\u00e4 edistyneit\u00e4 teko\u00e4lyominaisuuksia. T\u00e4ss\u00e4 artikkelissa selit\u00e4mme upotukset yksinkertaisesti ja k\u00e4ymme l\u00e4pi kolme todellista k\u00e4ytt\u00f6tapausta, joissa upotusmallin ja FME:n yhdist\u00e4minen antaa rasteriaineistoille uuden el\u00e4m\u00e4n. Jokainen skenaario on k\u00e4yt\u00e4nn\u00f6llinen, ja tiedot ja prosessit ovat lukijoiden k\u00e4ytett\u00e4viss\u00e4 kokeiltavaksi (katso latauslinkki lopussa).<\/span><\/p>\n

<\/h2>\n

Mit\u00e4 upotukset ovat?<\/span><\/h2>\n

Koneoppimisen yhteydess\u00e4\u00a0<\/span>upotukset<\/span><\/strong>\u00a0ovat tapa muuntaa monimutkaista dataa (kuten kuvaa tai teksti\u00e4) numeroluetteloksi (\u00a0<\/span>ominaisuusvektoriksi<\/span><\/em>\u00a0), joka tallentaa kyseisen datan merkitykselliset ominaisuudet. Upotusta voidaan ajatella alkuper\u00e4isen sis\u00e4ll\u00f6n tiiviin\u00e4 yhteenvetona tai sormenj\u00e4lkin\u00e4.<\/span><\/p>\n

Kuvien tapauksessa upotus voi olla muutaman sadan tai tuhannen luvun vektori, jotka yhdess\u00e4 edustavat esimerkiksi alueen muotoja, tekstuureja ja rakenteita \u2013 mutta eiv\u00e4t eksplisiittisell\u00e4 ihmisluettavalla tavalla. Keskeinen ajatus on, ett\u00e4\u00a0<\/span>samankaltaisilla tiedoilla on samankaltaiset upotukset<\/span><\/strong>\u00a0. Jos kahdessa kuva-alueella on molemmissa tihe\u00e4\u00e4 mets\u00e4\u00e4, upotusmalli luo niille vektoreita, jotka ovat numeerisesti l\u00e4hell\u00e4 toisiaan. Malli ei tarkastele vain yksitt\u00e4isi\u00e4 pikseleit\u00e4, vaan my\u00f6s kuvioita ja kontekstia.<\/span><\/p>\n

T\u00e4m\u00e4 tekniikka pakkaa valtavan m\u00e4\u00e4r\u00e4n visuaalista tietoa pienemm\u00e4ksi joukoksi ominaisuuksia, jotka edustavat datan merkityksellist\u00e4 semantiikkaa. Upotusten teho piilee siin\u00e4, ett\u00e4 ne helpottavat tietokoneiden sis\u00e4ll\u00f6n vertailua ja hakemista. Raakojen pikseliarvojen vertaamisen sijaan (mik\u00e4 on ep\u00e4k\u00e4yt\u00e4nn\u00f6llist\u00e4) vertaamme upotuksia. T\u00e4m\u00e4 avaa toimintoja, kuten:<\/span><\/p>\n