L’outil Detect Change Using Deep Learning (Détecter les changements à l’aide du Deep Learning) utilise un modèle de Deep Learning entraîné pour détecter les changements entre deux couches raster.
La sortie correspond à une couche d'imagerie hébergée.
Exemple
Si l’on prend deux couches d’imagerie similaires spectralement et un modèle de Deep Learning indiquant les zones modifiées, détectez les zones qui ont changé entre les deux couches d’imagerie.
Remarques sur l’utilisation
Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning) inclut des configurations pour les couches en entrée, les paramètres du modèle et la couche de résultat.
Couches en entrée
Le groupe Input layers (Couches en entrée) comprend les paramètres suivants :
- Le paramètre Input raster before change (Raster en entrée avant le changement) correspond à la couche d’imagerie qui représente la couche d’imagerie Avant. La couche d’imagerie sélectionnée doit être fondée sur les exigences du modèle de Deep Learning qui sera utilisé pour classer les pixels.
- Le paramètre Input raster after the change (Raster en entrée après le changement) correspond à la couche d’imagerie qui représente la couche d’imagerie Après. La couche d’imagerie sélectionnée doit être fondée sur les exigences du modèle de Deep Learning qui sera utilisé pour classer les pixels.
Paramètres du modèle
Le groupe Model settings (Paramètres du modèle) comporte les paramètres suivants :
- Model for change detection (Modèle pour la détection des changements) est le modèle de Deep Learning qui sera utilisé pour détecter les changements. Le modèle de Deep Learning doit se trouver dans ArcGIS Online pour pouvoir être sélectionné dans l’outil. Vous pouvez sélectionner votre propre modèle, un modèle disponible publiquement dans ArcGIS Online ou un modèle de ArcGIS Living Atlas of the World.
- Model arguments (Arguments du modèle) spécifie les arguments des fonctions définis dans la classe de fonctions raster Python. Sont répertoriés les paramètres de Deep Learning supplémentaires et les arguments des expériences et améliorations, tels qu’un seuil de confiance pour l’ajustement de la sensibilité. Les noms des arguments sont renseignés à partir du module Python.
Couche de résultat
Le groupe Result layer (Couche de résultat) comprend les paramètres suivants :
- Le paramètre Output name (Nom en sortie) spécifie le nom de la couche qui a été créée et est affichée. Le nom doit être unique. Si une couche du même nom existe déjà dans votre organisation, l’outil échoue et vous êtes invité à utiliser un autre nom.
- Le paramètre Output layer type (Type de couche en sortie) détermine le type de raster en sortie à créer. La sortie peut correspondre à une couche d’imagerie tuilée ou une couche d’imagerie dynamique.
- Le paramètre Save in folder (Enregistrer dans un dossier) indique le nom d’un dossier de My content (Mon contenu) dans lequel est enregistré le résultat.
Environnements
Les paramètres d’environnement d’analyse sont des paramètres supplémentaires qui affectent les résultats d’un outil. Vous pouvez accéder aux paramètres d’environnement d’analyse de l'outil à partir du groupe de paramètres Environment settings (Paramètres d'environnement).
Cet outil respecte les environnements d'analyse suivants :
- Système de coordonnées en sortie
- Transformations géographiques
- Etendue de traitement
Remarque :
L’étendue de traitement par défaut correspond à l’étendue Full extent (Vue générale). Ce paramètre par défaut diffère de Map Viewer Classic, où Use current map extent (Utiliser l’étendue courante de la carte) est activé par défaut.
- Taille de cellule
Sortie
La sortie est une couche d’imagerie thématique classée fondée sur la structure de classification définie dans le modèle de Deep Learning.
Conditions d’utilisation
Cet outil requiert le type d’utilisateur et les configurations suivants :
- Type d’utilisateur Professional ou Professional Plus
- Rôle d’éditeur, de facilitateur ou d’administrateur, ou rôle personnalisé équivalent avec le privilège Imagery Analysis (Analyse d’images)
Ressources
Référez-vous aux ressources suivantes pour en savoir plus :
- Détecter les changements à l’aide du Deep Learning dans ArcGIS REST API
- detect_change_using_deep_learning dans ArcGIS API for Python.
- Détectez les changements à l’aide du Deep Learning dans ArcGIS Pro.
Vous avez un commentaire à formuler concernant cette rubrique ?