ディープ ラーニング モデル アーキテクチャ

Image Analyst ライセンスで利用できます。

ArcGIS AllSourceArcGIS Pro で使用できるディープ ラーニング モデル タイプの概要を次の表に示します。 各行には、互換性のあるメタデータ形式と特定モデル タイプの主な用途が記載されています。 利用可能な場合は、付随する例も示されています。

ディープ ラーニング モデル タイプサポートされているメタデータタスク

BDCN Edge Detector

分類されたタイル

ピクセル分類

土地区画抽出

変化検出器

分類されたタイル

ピクセル分類 (変化の検出)

建物の変化の検出

ConnectNet

分類されたタイル

ピクセル分類

CycleGAN

タイルのエクスポート

CycleGAN

画像変換 (ペアリング解除済みの画像)

SAR から RGB に変換

DeepLab

分類されたタイル

ピクセル分類

Deep Sort

ImageNet

オブジェクト追跡

DETReg

PASCAL_VOC_rectangles

オブジェクトの検出

Faster R-CNN

PASCAL_VOC_rectangles

KITTI_rectangles

オブジェクトの検出

フィーチャ分類器

ラベル付きタイル

ImageNet

複数ラベル付きタイル

オブジェクトの検出

フィーチャ カテゴリ分類

HED Edge Detector

分類されたタイル

ピクセル分類

土地区画抽出

画像キャプショナー

画像のキャプショニング

画像のキャプショニング

Mask R-CNN

R-CNN マスク

オブジェクト検出 (インスタンス セグメンテーション)

Caribou 検出および分類

MMDetection

PASCAL_VOC_rectangles

KITTI_rectangles

オブジェクトの検出

MMSegmentation

分類されたタイル

ピクセル分類

Multi-Task Road Extractor

分類されたタイル

ピクセル分類

自動道路抽出

MaX-DeepLab

パノプティック セグメンテーション

パノプティック セグメンテーション

Pix2Pix

タイルのエクスポート

画像変換 (ペアリング済みの画像)

履歴画像のカラー化

PSPNet

分類されたタイル

ピクセル分類

PSETAE

MaskRCNN

ピクセル分類

RetinaNet

PASCAL_VOC_rectangles

KITTI_rectangles

オブジェクトの検出

公益施設および植生の検出

Siam Mask

RCNN マスク

オブジェクト トラッキング

SSD

PASCAL_VOC_rectangles

KITTI_rectangles

オブジェクトの検出

ヤシの木の健康状態の検出

超解像

超解像

画像変換 (ペアリング済みの画像)

画像の解像度を上げる

U-Net

分類されたタイル

ピクセル分類

建物フットプリントの抽出

YOLOv3

PASCAL_VOC_rectangles

KITTI_rectangles

オブジェクトの検出

注意:

トレーニング用に Python ノートブックを使用している一部の例は、[ディープ ラーニング モデルのトレーニング (Train Deep Learning Model)] ツールを使用して実行することができます。

ディープ ラーニング タスクおよびツール

タスクツール

変化の検出

ディープ ラーニングを使用して変化を検出 (Detect Change Using Deep Learning)

画像変換 (ペアリング済みおよびペアリング解除済み)

ディープ ラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)

オブジェクトの分類

ディープ ラーニングを使用したオブジェクトの分類 (Classify Objects Using Deep Learning)

オブジェクトの検出

ディープ ラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)

オブジェクト検出 (インスタンス セグメンテーション)

ディープ ラーニングを使用したオブジェクトの検出 (Detect Objects Using Deep Learning)

オブジェクト トラッキング

FMV の [トラッキング] タブ

ピクセル分類

ディープ ラーニングを使用したピクセルの分類 (Classify Pixels Using Deep Learning)