딥러닝은 뉴럴 네트워크를 사용하여 인간 두뇌의 프로세스를 모방하는 빠르게 진화하는 머신 러닝 데이터 분석 방법입니다. GIS와 통합하면 데이터 처리를 개선하고 더 정확한 데이터 분석을 제공할 수 있습니다.
일반적으로 머신 학습 알고리즘과 관련된 세 가지 주요 과제로 대량의 데이터 분석, 불충분한 컴퓨팅 리소스, 알고리즘의 효율성과 정확도가 있습니다. ArcGIS Notebooks와 딥러닝 알고리즘을 통합하면 이러한 문제를 효과적으로 관리할 수 있습니다.
ArcGIS Notebooks에서의 딥러닝
ArcGIS Notebooks에서 사용 가능한 영상 데이터를 위한 딥러닝 모델은 다음과 같은 네 가지 주요 범주로 나뉩니다.
- 객체 분류 — 피처의 클래스를 결정하는 데 사용됩니다. 예를 들어 자연재해 후에 건물 손상 여부를 결정하는 데 사용할 수 있습니다.
- 객체 감지 — 경계 상자 내의 이미지에서 객체를 찾는 현지화 프로세스입니다. 예를 들어 객체 감지를 사용하여 이미지에서 수영장을 감지할 수 있습니다.
- 픽셀 분류 — 이미지 내 픽셀에 클래스를 할당하는 데 사용됩니다. 예를 들어 픽셀 분류는 토지 피복 분류에 사용할 수 있습니다.
- 인스턴스 분류 — 객체 감지 및 픽셀 분류 모두를 통합합니다. 인스턴스 분류는 객체를 감지하고 추가로 분류하는 데 사용할 수 있습니다. 예를 들어 픽셀 분류를 손상 감지에 사용하여 손상을 식별하고 손상의 심각도를 추가로 분류할 수 있습니다.
비고:
ArcGIS Notebooks는 테이블 형식, 포인트 클라우드, 구조화된 기타 데이터셋에 중점을 둔 모델도 지원합니다.
딥러닝 워크플로
ArcGIS Notebook Server는 다음 딥러닝 워크플로를 수행하는 데 사용할 수 있습니다.
- 엔드 투 엔드 딥러닝
- 사전 학습된 모델을 사용한 추론
- 사전 학습된 모델 미세 조정
엔드 투 엔드 딥러닝
엔드 투 엔드 딥러닝은 단일 뉴럴 네트워크가 원시 입력 데이터에서 직접 복잡한 작업을 수행하도록 학습되어 수동 피처 추출이 필요하지 않은 머신러닝에서 혁신적인 방법입니다. 이 프로세스에는 다음 단계가 포함됩니다.
- 데이터 수집 — 작업과 관련된 대용량의 다양한 데이터셋을 수집합니다.
- 데이터 전처리 — 학습을 위해 데이터를 정리하고 준비합니다.
- 모델 디자인 — 뉴럴 네트워크 아키텍처를 선택합니다.
- 학습 — 모델이 데이터셋에서 학습되며 매개변수를 조정하여 오류를 최소화합니다.
- 평가 — 별도의 데이터셋에서 모델을 테스트하여 모델의 성능을 평가합니다.
- 배포 — 학습된 모델을 실제 응용프로그램에서 구현합니다.
예시 워크플로는 예시: 엔드 투 엔드 딥러닝 워크플로를 참고하세요.
사전 학습된 모델
사전 학습된 딥러닝 모델은 방대한 학습 데이터와 계산 리소스가 필요하지 않아 공간정보 워크플로를 간소화할 수 있습니다. ArcGIS는 다양한 작업을 위해 사전 학습된 여러 딥러닝 모델을 제공합니다. 이러한 모델은 포털 콘텐츠로 업로드하여 ArcGIS Living Atlas에서 다운로드하고 ArcGIS Notebooks에서 사용할 수 있습니다.
예시 워크플로는 예시: 사전 학습된 모델을 사용한 추론을 참고하세요.