Deep Learning ist eine sich schnell entwickelnde Methode zur Datenanalyse mit maschinellem Lernen, die mittels neuronaler Netzwerke die Prozesse des menschlichen Gehirns nachahmt. In Verbindung mit GIS kann sie die Datenverarbeitung verbessern und eine genauere Datenanalyse ermöglichen.
Es gibt typischerweise drei große Herausforderungen im Zusammenhang mit Algorithmen des maschinellen Lernens: die Analyse großer Datenmengen, unzureichende Rechenressourcen sowie die Effizienz und Genauigkeit der Algorithmen. Durch die Integration von ArcGIS Notebooks und Deep-Learning-Algorithmen können Sie diese Herausforderungen einfacher bewältigen.
Deep Learning in ArcGIS Notebooks
Die in ArcGIS Notebooks verfügbaren Deep-Learning-Modelle für Bilddaten lassen sich in vier Hauptkategorien einteilen:
- Objektklassifizierung: Wird zum Bestimmen von Feature-Classes verwendet. So lässt sich beispielsweise bestimmen, ob ein Gebäude nach einer Naturkatastrophe beschädigt ist.
- Objekterkennung: Der Lokalisierungsprozess zum Verorten von Objekten in einem Bild innerhalb eines umgebenden Rechtecks. Die Objekterkennung kann beispielsweise verwendet werden, um Schwimmbecken in einem Bild zu erkennen.
- Pixelklassifizierung: Wird verwendet, um Pixeln innerhalb eines Bildes Klassen zuzuweisen. Die Pixelklassifizierung kann beispielsweise zur Klassifizierung der Bodenbedeckung verwendet werden.
- Instanzklassifizierung: Umfasst sowohl die Objekterkennung als auch die Pixelklassifizierung. Die Instanzklassifizierung kann verwendet werden, um ein Objekt zu erkennen und es anschließend genauer zu klassifizieren. Die Pixelklassifizierung kann beispielsweise bei der Schadenserkennung verwendet werden, um nicht nur Schäden zu erkennen, sondern auch um den Schweregrad der Schäden näher zu bestimmen.
Hinweis:
ArcGIS Notebooks unterstützt auch Modelle, die sich auf Tabellen-, Punktwolken- und andere strukturierte Datasets beziehen.
Deep-Learning-Workflows
In ArcGIS Notebook Server können die folgenden Deep-Learning-Workflows durchgeführt werden:
- End-to-End-Deep-Learning
- Inferenzierung mit vortrainierten Modellen
- Feinabstimmung vortrainierter Modelle
End-to-End-Deep-Learning
Das End-to-End-Deep-Learning ist beim maschinellen Lernen eine transformative Methode, bei der ein einzelnes neuronales Netzwerk so trainiert wird, dass es komplexe Aufgaben direkt aus unverarbeiteten Eingabedaten ausführen kann, ohne dass eine manuelle Feature-Extraktion erforderlich ist. Dieser Prozess umfasst die folgenden Schritte:
- Datenerfassung: Zusammenstellen eines großen Datasets mit den verschiedensten Daten, die für die jeweilige Aufgabe relevant sind.
- Datenvorverarbeitung: Bereinigen und Vorbereiten der Daten für das Training.
- Entwurfsmodell: Auswählen der Architektur eines neuronalen Netzwerks.
- Training: Das Modell wird am Dataset trainiert. Dabei werden die Parameter angepasst, bis die Fehler nicht weiter minimiert werden können.
- Evaluierung: Testen des Modells an einem separaten Dataset, um die Performance (Eignung) des Modells zu bewerten.
- Bereitstellung: Implementieren des trainierten Modells in einem realen Anwendungsfall.
Einen Beispiel-Workflow finden Sie unter Beispiel: End-to-End-Deep-Learning-Workflow.
Vortrainierte Modelle
Vortrainierte Deep-Learning-Modelle können Ihre Geo-Workflows optimieren, da sie den Bedarf an Trainingsdaten und Rechenressourcen verringern. ArcGIS bietet eine Reihe vortrainierter Deep-Learning-Modelle für verschiedene Aufgaben. Diese Modelle können aus ArcGIS Living Atlas heruntergeladen werden und dann in ArcGIS Notebooks verwendet werden, indem Sie sie als Portal-Inhalt hochladen.
Einen Beispiel-Workflow finden Sie unter Beispiel: Inferenzierung mit einem vortrainierten Modell.