Использование модели

Вы можете использовать эту модель в инструменте Выявить объекты при помощи глубокого обучения, доступном в наборе инструментов ArcGIS Image Analyst в ArcGIS Pro.

1. Загрузите модель Ship Detection (RGB) и добавьте слой изображений в ArcGIS Pro.
2. Добавьте трехканальные спутниковые снимки (пространственное разрешение 30 сантиметров) и увеличьте масштаб до области интереса.

   

3. Щелкните вкладку Анализ и перейдите в раздел Инструменты.

   

4. На панели Геообработка выберите Наборы инструментов, а затем раскройте Инструменты Image Analyst. Выберите инструмент Выявить объекты при помощи глубокого обучения в разделе Глубокое обучение.

   

5. На вкладке Параметры задайте переменные следующим образом:
   1. Входной растр - Выберите трехканальное RGB-изображение.
   2. Выходной класс объектов — задает выходной векторный слой с полигонами обнаруженных на входных изображениях судов.
   3. Определение модели - Выберите файл .dlpk предварительно обученной модели.
   4. Аргументы модели — измените значения аргументов, если это необходимо.
      • padding - Количество пикселов на границе листов изображений, из которых складываются прогнозные данные для смежных листов. Увеличьте это значение, чтобы сгладить результат и одновременно уменьшить артефакты по краям. Максимальное значение padding может составлять половину значения размера листа.
      • batch_size - Количество листов изображений, обработанных на каждом этапе построения модели. Оно зависит от объема памяти вашего графического адаптера.
      • threshold — В результат включаются обнаруженные объекты, достоверность которых превышает это пороговое значение. Допустимы значения от 0 до 1.0.
      • return_bboxes — можно задать значения True, чтобы вернуть ограничивающие рамки.
      • tile_size - Ширина и высота листов изображений, на которые разбивается изображение для прогнозирования.
      • test_time_augmentation — увеличивает время тестирования в процессе прогнозирования. Этот метод используется для повышения надежности и точности прогнозов модели. Он включает в себя применение методов увеличения данных во время вывода, то есть создание нескольких слегка измененных версий тестовых данных и агрегирование прогнозов. Если задано значение true, то конечный результат объединит прогнозы перевернутых и повернутых ориентаций входного изображения, а их доверительные значения будут усреднены. Это может привести к падению достоверности ниже порогового значения для объектов, которые обнаруживаются только в нескольких положениях изображения.
      • merge_policy — политика объединения расширенных прогнозов. Доступные варианты: среднее, максимум или минимум. Это применимо только при использовании увеличения времени тестирования.
   5. Немаксимальное подавление — при необходимости установите метку, чтобы удалить перекрывающиеся объекты с низкой степенью достоверности.

      Когда опция отмечена, сделайте следующее:

      • Установите Поле балла достоверности.
      • При необходимости задайте Поле значений класса.
      • Можно также задать Коэффициент максимального перекрытия.

   

6. На вкладке Параметры среды задайте переменные следующим образом:
   1. Экстент обработки - Выберите Текущий экстент отображения или любую другую опцию из ниспадающего меню.
   2. Размер ячейки — установите значение равным 0.3.

      Ожидаемое разрешение растра — 30 см.

   3. Тип процессора — выберите CPU или GPU.

      Рекомендуется выбрать GPU, если он доступен, и установить идентификатор GPU ID, чтобы указать используемый GPU.

   

7. Щелкните Запустить.

   Выходной слой добавится на карту.

   

8. Сгладьте полигоны, выполнив следующие действия:
   1. Щелкните вкладку Наборы инструментов на панели Геообработка, разверните Инструменты картографии и найдите инструмент Сгладить полигон в разделе Генерализация.
      
   2. Задайте переменные на вкладке Параметры следующим образом:
      • Входные объекты — добавьте выходные данные инструмента Выявить объекты при помощи глубокого обучения, созданные на предыдущих шагах, в качестве входных данных здесь.
      • Допуск сглаживания — задайте допуск, применяемый алгоритмом Полиномиальной аппроксимации с использованием экспоненциального ядра (PAEK). Оно должно быть больше нуля. Вы можете выбрать предпочитаемые единицы измерения; единицами измерения по умолчанию являются единицы измерения объекта.

        

      • Щелкните Запустить.

   Выходной слой добавится на карту.