深度学习参数

获得 Image Analyst 许可后可用。

参数是控制如何训练和使用深度学习模型的多种方法之一。 以下第一个表列出了训练深度学习模型支持的模型参数。 第二个表列出了控制如何使用深度学习模型进行推断的参数。

训练参数

训练深度学习模型工具中提供了以下参数,用于训练深度学习模型。 这些参数将有所不同,具体取决于模型架构。 可以更改这些参数的值来训练模型。

模型类型参数有效值

变化检测器(像素分类)

attention_type

PAM(金字塔注意事项模块)或 BAM(基本注意事项模块)。

chip_size

介于 0 和图像大小之间的整数。

monitor

valid_lossprecisionrecallf1

ConnectNet(像素分类)

chip_size

介于 0 和图像大小之间的整数。

gaussian_thresh

0.0 至 1.0。 默认值为 0.76。

monitor

valid_lossaccuracymioudice

mtl_model

linknethourglass

orient_bin_size

正数。 默认值为 20。

orient_theta

正数。 默认值为 8。

DeepLabv3(像素分类)

chip_size

介于 0 和图像大小之间的整数。

class_balancing

truefalse

focal_loss

truefalse

ignore_classes

有效类值。

monitor

valid_lossaccuracy

mixup

truefalse

图像标题生成器(影像转换)

chip_size

介于 0 和图像大小之间的整数。

decode_params 参数由以下参数组成:

  • embed_size
  • hidden_size
  • attention_size
  • teacher_forcing
  • dropout
  • pretrained_emb

默认为 {'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False}

monitor

valid_lossaccuracycorpus_bleumulti_label_fbeta

MMDetection(对象检测)

chip_size

介于 0 和图像大小之间的整数。

model

atsscarafecascade_rcnncascade_rpndcndetectorsdouble_headsdynamic_rcnnempirical_attentionfcosfoveaboxfsafghmhrnetlibra_rcnnnas_fcospafpnpisaregnetreppointsres2netsablvfnet

model_weight

truefalse

MMSegmentation(像素分类)

chip_size

介于 0 和图像大小之间的整数。

model

annapcnetccnetcgnetdanetdeeplabv3deeplabv3plusdmnet dnlnetemanetencnetfastscnnfcngcnethrnetmobilenet_v2mobilenet_v3nonlocal_netocrnetocrnet_basepointrendpsanetpspnetresnestsem_fpnunetupernet

model_weight

truefalse

多任务道路提取器(像素分类)

chip_size

介于 0 和图像大小之间的整数。

gaussian_thresh

0.0 至 1.0。 默认值为 0.76。

monitor

valid_lossaccuracymioudice

mtl_model

linknethourglass

orient_bin_size

正数。 默认值为 20。

orient_theta

正数。 默认值为 8。

金字塔场景解析网络(像素分类)

chip_size

介于 0 和图像大小之间的整数。

class_balancing

truefalse

focal_loss

truefalse

ignore_classes

有效类值。

monitor

valid_lossaccuracy

mixup

truefalse

pyramid_sizes

[卷积层 1, 卷积层 2, ... , 卷积层 n]

use_net

truefalse

RetinaNet(对象检测)

chip_size

介于 0 和图像大小之间的整数。

monitor

valid_lossaverage_precision

ratios

比率值 1、比率值 2、比率值 3。

默认为 0.5,1,2

scales

[比例值 1, 比例值 2, 比例值 3]

默认为 [1, 0.8, 0.63]

SAMLoRA(像素分类)

class_balancing

truefalse

ignore_classes

有效类值。

单帧检测器(对象检测)

chip_size

介于 0 和图像大小之间的整数。

grids

大于 0 的整数值。

monitor

valid_lossaverage_precision

ratios

[水平值, 垂直值]

zooms

缩放值,其中 1.0 为正常缩放。

带 SR3 骨干的超分辨率(影像转换)

attn_res

大于 0 的整数。 默认值为 16。

channel_mults 

整数乘数设置默认值为 [1, 2, 4, 4, 8, 8]。

dropout

浮点值。 默认值为 0。

inner_channel

大于 0 的整数值。 默认值为 64。

linear_start

时间整数。 默认值为 1e-02。

linear_end 

时间整数。 默认值为 1e-06。

n_timestep 

大于 0 的整数值。 默认值为 1000。

norm_groups 

大于 0 的整数值。 默认值为 32。

res_blocks

大于 0 的整数值。 默认值为 3。

计划

linearwarmup10warmup50constjsdcosine

默认值为 linear。

U-Net(像素分类)

chip_size

介于 0 和图像大小之间的整数。

class_balancing

truefalse

focal_loss

truefalse

ignore_classes

有效类值。

monitor

valid_lossaccuracy

mixup

truefalse

推断参数

以下参数可用于控制如何训练深度学习模型进行推断。 模型定义参数中的信息将用于填充推断工具中的参数。 这些参数将有所不同,具体取决于模型架构。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。

参数推断类型有效值

batch_size

分类对象

分类像素

检测变化

检测对象

大于 0 的整数值;通常为整数幂 2n

direction

分类像素

可用选项为 AtoBBtoA

此参数仅适用于 CycleGAN 架构。

exclude_pad_detections

检测对象

truefalse

此参数仅适用于 SSD、RetinaNet、YOLOv3、DETReg、MMDetection 和 Faster RCNN。

merge_policy

分类像素

检测对象

可用选项为 meanmaxmin

对于使用深度学习分类像素工具,此参数适用于 MultiTaskRoadExtractor 和 ConnectNet 架构。 如果模型的 .emd 文件中存在 IsEdgeDetection,则 BDCN 边缘检测器、HED 边缘检测器和 MMSegmentation 也是可用的架构。

对于使用深度学习检测对象工具,此参数仅适用于 MaskRCNN。

n_timestep

分类像素

大于 0 的整数值。 默认值为 200。

参数适用于具有 SR3 骨干模型的超分辨率。

nms_overlap

检测对象

介于 0.0 到 1.0 之间的浮点值。 默认值为 0.1。

output_classified_raster

检测对象

输出分类栅格的文件路径和名称。

此参数仅适用于 MaXDeepLab。

padding

分类像素

检测变化

检测对象

大于 0 且小于切片大小值一半的整数值。

predict_background

分类像素

truefalse

此参数适用于 UNET、PSPNET、DeepLab 和 MMSegmentation。

return_probability_raster

分类像素

truefalse

如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本,则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本,并且 IsEdgeDetection 存在于模型的 .emd 文件中,则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。

sampling_type

分类像素

ddimddpm

默认值为 ddim

参数适用于具有 SR3 骨干模型的超分辨率。

计划

分类像素

linearwarmup10warmup50constjsdcosine

默认值设置为与其训练的模型相同的值。

参数适用于具有 SR3 骨干模型的超分辨率。

score_threshold

分类对象

0 至 1.0。

test_time_augmentation

分类对象

分类像素

truefalse

threshold

分类像素

检测对象

0 至 1.0。

对于使用深度学习分类像素工具,如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本,则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本,并且 IsEdgeDetection 存在于模型的 .emd 文件中,则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。

对于使用深度学习检测对象工具,此参数适用于所有模型架构。

thinning

分类像素

truefalse

如果 IsEdgeDetection 存在于模型的 .emd 文件中,则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构适用。

tile_size

分类像素

检测对象

大于 0 且小于图像大小的整数值。

对于使用深度学习分类像素工具,此参数仅适用于 CycleGAN 架构。

对于使用深度学习检测对象工具,此参数仅适用于 MaskRCNN。

相关主题


在本主题中
  1. 训练参数
  2. 推断参数