Deep Learning to szybko rozwijająca się metoda uczenia maszynowego (samouczenia się maszyn), która wykorzystuje sieci neuronowe do naśladowania procesów zachodzących w ludzkim mózgu. Po zintegrowaniu z systemem GIS może zapewnić lepszą obsługę danych i dokładniejszą ich analizę.
Z algorytmami uczenia maszynowego wiążą się zazwyczaj trzy główne wyzwania: analiza dużych ilości danych, niewystarczające zasoby obliczeniowe oraz skuteczność i dokładność algorytmów. Dzięki integracji aplikacji ArcGIS Notebooks i algorytmom Deep Learning można lepiej radzić sobie z tymi wyzwaniami.
Deep Learning w aplikacji ArcGIS Notebooks
Dostępne modele Deep Learning dla danych zobrazowań w aplikacji ArcGIS Notebooks dzielą się na cztery główne kategorie:
- Klasyfikacja obiektów — służy do określania klasy obiektów. Na przykład może być użyta do określenia, czy budynek został uszkodzony po katastrofie naturalnej.
- Wykrywanie obiektów — proces lokalizacji polegający na znalezieniu obiektów na obrazie w obrębie ramki ograniczającej. Na przykład wykrywania obiektów można użyć do wykrywania basenów na obrazie.
- Klasyfikacja pikseli — służy do przypisywania klas pikselom obrazu. Na przykład klasyfikacja pikseli może być wykorzystana do klasyfikacji pokrycia terenu.
- Klasyfikacja wystąpień — łączy wykrywanie obiektów i klasyfikację pikseli. Klasyfikacja wystąpień może być użyta do wykrycia obiektu i jego dalszej klasyfikacji. Na przykład w wykrywaniu uszkodzeń można zastosować klasyfikację pikseli, aby nie tylko zidentyfikować uszkodzenie, ale także sklasyfikować jego poziom.
Notatka:
Aplikacja ArcGIS Notebooks obsługuje również modele koncentrujące się na zestawach danych tabelarycznych, chmur punktów i innych zestawach danych strukturalnych.
Procedury wykonywania zadań Deep Learning
ArcGIS Notebook Server może być używany do wykonywania następujących procedur wykonywania zadań Deep Learning:
- Kompleksowa metoda Deep Learning
- Wnioskowanie za pomocą wstępnie wytrenowanych modeli
- Dostrajanie wstępnie wytrenowanych modeli
Kompleksowa metoda Deep Learning
Kompleksowa metoda Deep Learning to transformacyjna metoda w uczeniu maszynowym, w której pojedyncza sieć neuronowa jest trenowana do wykonywania złożonych zadań bezpośrednio na podstawie surowych danych wejściowych, eliminując potrzebę ręcznego wyodrębniania obiektów. Proces ten obejmuje następujące etapy:
- Zbieranie danych – zbierz duży i zróżnicowany zestaw danych istotnych z punktu widzenia tego zadania.
- Wstępne przetwarzanie danych – wyczyść i przygotuj dane do treningu.
- Projekt modelu – wybierz architekturę sieci neuronowej.
- Trening – model jest trenowany na zestawie danych, a parametry są dostosowywane w celu zminimalizowania błędów.
- Ocena – przetestuj model na oddzielnym zestawie danych, aby ocenić jego wydajność.
- Wdrożenie – zaimplementuj wytrenowany model w rzeczywistej aplikacji.
Przykładową procedurę wykonywania zadań można znaleźć w sekcji Przykład: Kompleksowa procedura wykonywania zadań Deep Learning.
Wstępnie wytrenowane modele
Wstępnie wytrenowane modele Deep Learning mogą usprawnić geoprzestrzenne procedury wykonywania zadań, eliminując potrzebę korzystania z obszernych danych treningowych i zasobów obliczeniowych. System ArcGIS oferuje szereg wstępnie wytrenowanych modeli Deep Learning dla różnych zadań. Modele te można pobierać z atlasu ArcGIS Living Atlas i używać w aplikacji ArcGIS Notebooks, przesyłając je jako zasoby portalu.
Przykładową procedurę wykonywania zadań można znaleźć w sekcji Przykład: Wnioskowanie przy użyciu wstępnie wytrenowanego modelu.