ディープ ラーニング ツールセットには、画像内の特定のフィーチャの検出、およびラスター データセット内のピクセルの分類を行うツールが含まれています。
ディープ ラーニングは、機械学習の人工知能の一種で、画像内の 1 つ以上の一意なフィーチャを各レイヤーに抽出できるニューラル ネットワークで、複数のレイヤーを使用して画像内のフィーチャを検出します。 ディープ ラーニング ツールセット内のツールは、GPU 処理を利用して、タイムリーに解析を実行します。
ArcGIS AllSource のこれらのツールは、トレーニングされたモデルを使用して、サード パーティのディープ ラーニング フレームワーク (TensorFlow、CNTK、PyTorch など) で特定のフィーチャを検出し、フィーチャまたはクラス マップを出力します。
ディープ ラーニング ツールと各ツールの簡単な説明を次の表に示します。
| ツール | 説明 |
|---|---|
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) | 入力ラスターとオプションのフィーチャクラスに対してトレーニング済みディープ ラーニング モデルを実行し、各入力オブジェクトまたはフィーチャにクラス ラベルまたはカテゴリ ラベルを割り当てたフィーチャクラスまたはテーブルを作成します。 このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。 モデルは、[ディープ ラーニング モデルのトレーニング (Train Deep Learning Model)] ツールを使用するか、TensorFlow、PyTorch、または Keras などのサードパーティのトレーニング ソフトウェアによって、トレーニングできます。 モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープ ラーニング モデル パッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリ ディープ ラーニング モデル ファイルのパスを含む必要があります。 |
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) | 入力ラスターにトレーニング済みディープ ラーニング モデルを実行して、有効な各ピクセルにクラス ラベルを割り当てた分類済みラスターを作成します。 このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。 モデルは、[ディープ ラーニング モデルのトレーニング (Train Deep Learning Model)] ツールを使用するか、TensorFlow、PyTorch、または Keras などのサードパーティのトレーニング ソフトウェアによって、トレーニングできます。 モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープ ラーニング モデル パッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリ ディープ ラーニング モデル ファイルのパスを含む必要があります。 |
[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)] ツールから検出されたオブジェクトをグラウンド トゥルース データと比較することで、ディープ ラーニング モデルの精度を計算します。 | |
トレーニング済みディープ ラーニング モデルを実行して、2 つのラスター間の変化を検出します。 このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。 モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープ ラーニング モデル パッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリ ディープ ラーニング モデル ファイルのパスを含む必要があります。 | |
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) | 入力ラスターにトレーニング済みディープ ラーニング モデルを実行して、検出したオブジェクトを含むフィーチャクラスを作成します。 フィーチャには、検出されたオブジェクトの周囲の境界四角形やポリゴン、またはオブジェクトの中心のポイントを指定できます。 このツールは、トレーニング済みのモデル情報を含んでいるモデル定義ファイルを必要とします。 モデルは、[ディープ ラーニング モデルのトレーニング (Train Deep Learning Model)] ツールを使用するか、TensorFlow、PyTorch、または Keras などのサードパーティのトレーニング ソフトウェアによって、トレーニングできます。 モデル定義ファイルには、Esri モデル定義 JSON ファイル (.emd) またはディープ ラーニング モデル パッケージを使用できます。モデル定義ファイルは、各オブジェクトを処理するために呼び出される Python ラスター関数のパス、およびトレーニング済みのバイナリ ディープ ラーニング モデル ファイルのパスを含む必要があります。 |
ディープ ラーニング用のトレーニング データをエクスポート (Export Training Data For Deep Learning) | リモート センシング画像を使用して、ラベルが付いたベクターまたはラスター データをディープ ラーニング トレーニング データセットに変換します。 出力は画像チップのフォルダー、および指定した形式のメタデータ ファイルのフォルダーです。 |
入力ラスターに対して 1 つ以上の事前トレーニング済みディープ ラーニング モデルを実行して、フィーチャを抽出し、推論された出力の後処理を自動化します。 | |
[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)] ツールの出力から、後処理のステップとして重複フィーチャを識別し、重複フィーチャのない新しい出力を作成します。[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)] ツールは、特にタイルの副作用として、同じオブジェクトに対して複数の境界四角形またはポリゴンを返す可能性があります。2 つのフィーチャの重なり合う割合が指定された最大比率より大きい場合、信頼値が低いフィーチャが削除されます。 | |
[ディープ ラーニング用のトレーニング データをエクスポート (Export Training Data For Deep Learning)] ツールからの出力を使用してディープ ラーニング モデルをトレーニングします。 | |
トレーニング パイプラインを構築し、トレーニング プロセスの多くを自動化することで、ディープ ラーニング モデルをトレーニングします。 ここには、データ拡張、モデル選択、ハイパーパラメーター調整、バッチ サイズ推論が含まれます。 出力には、トレーニング データのベスト モデルのパフォーマンス メトリクスや、新しい画像を予測するための AI モデルを使用したフィーチャの抽出ツールの入力として使用できるトレーニングしたディープ ラーニング モデル パッケージ (.dlpk ファイル) が含まれます。 |