L'apprendimento profondo è un metodo in rapida evoluzione di analisi dei dati di apprendimento automatico che utilizza le reti neurali per imitare i processi del cervello umano. Quando integrato con GIS, può migliorare la gestione dei dati e fornire un'analisi dei dati più precisa.
Ci sono in genere tre sfide principali associate agli algoritmi di apprendimento automatico: analizzare grandi quantità di dati, risorse computazionali insufficienti e l'efficienza e l'accuratezza degli algoritmi. Integrando ArcGIS Notebooks con gli algoritmi di apprendimento profondo, è possibile gestire al meglio queste sfide.
Apprendimento profondo in ArcGIS Notebooks
I modelli di apprendimento profondo per i dati di immagini disponibili in ArcGIS Notebooks rientrano in quattro categorie principali:
- Classificazione degli oggetti: utilizzata per determinare la classe di una feature. Ad esempio, può essere utilizzata per determinare se un edificio è danneggiato dopo un disastro naturale.
- Rilevamento degli oggetti: il processo di localizzazione per trovare un oggetto in un'immagine all'interno di un rettangolo di selezione. Ad esempio, il rilevamento degli oggetti può essere utilizzato per rilevare le piscine in un'immagine.
- Classificazione dei pixel: utilizzata per assegnare classi ai pixel all'interno di un'immagine. Ad esempio, la classificazione pixel può essere utilizzata per la classificazione della copertura del suolo.
- Classificazione delle istanze: integra il rilevamento degli oggetti e la classificazione dei pixel. La classificazione delle istanze può essere utilizzata per rilevare un oggetto e classificarlo ulteriormente. Ad esempio, la classificazione pixel può essere usata nel rilevamento dei danni non solo per identificare il danno, ma anche per classificare ulteriormente la gravità del danno.
Nota:
ArcGIS Notebooks supporta anche i modelli incentrati su dataset tabulari, cloud di punti e altri dataset strutturati.
Flussi di lavoro di apprendimento profondo
ArcGIS Notebook Server può essere utilizzato per eseguire i seguenti flussi di lavoro di apprendimento profondo:
- Apprendimento profondo end-to-end
- Inferenza utilizzando modelli preaddestrati
- Ottimizzazione di modelli preaddestrati
Apprendimento profondo end-to-end
L'approfondimento profondo end-to-end è un metodo trasformativo nell'apprendimento automatico in cui una singola rete neurale è addestrata per svolgere attività complesse direttamente da dati di input grezzi senza necessità di utilizzare l'estrazione feature manuale. Questo processo è caratterizzato dai seguenti passaggi:
- Raccolta dati: raccogliere un ampio dataset variegato relativo all'attività.
- Pre-elaborazione dati: pulizia e preparazione dei dati per l'addestramento.
- Progettazione modello: scelta di una architettura della rete neurale.
- Addestramento: il modello è addestrato sulla base del dataset e i parametri sono ottimizzati per ridurre gli errori.
- Valutazione: prova del modello su un dataset separato per valutarne le prestazioni.
- Distribuzione: implementazione del modello addestrato nelle applicazioni del mondo reale.
Per un esempio di flusso di lavoro vedere Esempio: flusso di lavoro per apprendimento profondo end-to-end.
Modelli preaddestrati
I modelli di apprendimento profondo preaddestrati possono semplificare i flussi di lavoro geospaziali eliminando la necessità di dati di addestramento dettagliati e di risorse di calcolo. ArcGIS offre una serie di modelli di apprendimento profondo preaddestrati per attività differenti. Questi modelli possono essere scaricati da ArcGIS Living Atlas e utilizzati in ArcGIS Notebooks caricandoli come contenuto del portale.
Per un esempio di flusso di lavoro vedere Esempio: inferenza utilizzando un modello preaddestrato.