Aprendizagem Detalhada é um método em rápida evolução da análise de dados da aprendizagem automática que usa redes neurais para imitar os processos do cérebro humano. Quando integrado ao GIS, ele pode melhorar o manuseio de dados e fornecer análises de dados mais precisas.
Normalmente, existem três grandes desafios associados aos algoritmos da aprendizagem automática: análise de grandes quantidades de dados, recursos computacionais insuficientes e, eficiência e precisão dos algoritmos. Ao integrar ArcGIS Notebooks e algoritmos da aprendizagem detalhada, é possível gerenciar melhor esses desafios.
Aprendizagem detalhada no ArcGIS Notebooks
Os modelos de aprendizagem detalhada para dados de imagens disponíveis no ArcGIS Notebooks se enquadram em quatro categorias principais:
- Classificação de objetos—Usada para determinar a classe de uma feição. Por exemplo, pode ser usada para determinar se um edifício foi danificado após um desastre natural.
- Detecção de objetos—O processo de localização para encontrar um objeto em uma imagem dentro de uma caixa delimitadora. Por exemplo, a detecção de objetos pode ser usada para detectar piscinas em uma imagem.
- Classificação de pixels—Usada para atribuir classes a pixels dentro de uma imagem. Por exemplo, a classificação de pixels pode ser usada para classificação de cobertura do solo.
- Classificação de instância—Integra a detecção de objetos e a classificação de pixels. A classificação de instância pode ser usada para detectar um objeto e classificá-lo ainda mais. Por exemplo, a classificação de pixels pode ser usada na detecção de danos não apenas para identificar danos, mas também para classificar a gravidade dos danos.
Anotação:
O ArcGIS Notebooks também oferece suporte a modelos com foco em conjuntos de dados tabulares, de nuvem de pontos e outros conjuntos de dados estruturados.
Fluxos de trabalho de deep learning
O ArcGIS Notebook Server pode ser usado para executar os seguintes fluxos de trabalho de deep learning:
- Deep learning de ponta a ponta
- Inferência usando modelos pré-treinados
- Ajuste fino de modelos pré-treinados
Deep learning de ponta a ponta
Deep learning de ponta a ponta é um método transformador em aprendizagem automática, em que uma única rede neural é treinada para executar tarefas complexas diretamente de dados de entrada brutos, eliminando a necessidade de extração manual de feições. Este processo envolve as seguintes etapas:
- Coleta de dados—Reúna um conjunto de dados grande e diversificado, relevante para a tarefa.
- Pré-processamento de dados—Limpe e prepare os dados para treinamento.
- Design do modelo—Escolha uma arquitetura de rede neural.
- Treinamento—O modelo é treinado no conjunto de dados e os parâmetros são ajustados para minimizar erros.
- Avaliação—Teste o modelo em um conjunto de dados separado para avaliar o desempenho do modelo.
- Implantação—Implemente o modelo treinado em um aplicativo do mundo real.
Consulte Exemplo: Fluxo de trabalho de deep learning de ponta a ponta para um exemplo de fluxo de trabalho.
Modelos pré-treinados
Modelos de deep learning pré-treinados podem otimizar seus fluxos de trabalho geoespaciais, eliminando a necessidade de dados de treinamento extensos e recursos computacionais. O ArcGIS oferece vários modelos de deep learning pré-treinados para diferentes tarefas. Esses modelos podem ser baixados no ArcGIS Living Atlas e usado no ArcGIS Notebooks enviando-os como conteúdo do portal.
Consulte Exemplo: Inferência usando um modelo pré-treinado para um fluxo de trabalho de exemplo.