ArcGIS Notebooks でのディープ ラーニング モデルの使用

ArcGIS 11.5 | |  Help archive

ディープ ラーニングは、ニューラル ネットワークを使用して人間の脳のプロセスを模倣した機械学習データ解析手法で、急速に発展しています。 GIS と統合することで、データの取り扱いとデータ解析の精度を改善できます。

通常、機械学習アルゴリズムには、大量のデータ解析、計算リソースの不足、アルゴリズムの効率および精度の 3 つの大きな課題があります。 ArcGIS Notebooks とディープ ラーニング アルゴリズムを統合することで、これらの課題を効果的に管理できます。

ArcGIS Notebooks のディープ ラーニング

ArcGIS Notebooks で使用できる画像データ向けのディープ ラーニング モデルは、4 つの大きなカテゴリに分類されます。

  • オブジェクトの分類 - フィーチャのクラスを決定するために使用されます。 たとえば、自然災害後に建物が被災しているかどうかの判断に使用できます。
  • オブジェクトの検出 - 境界四角形内で画像中のオブジェクトを検出するローカライズ処理。 たとえば、画像中のスイミング プールを検出することができます。
  • ピクセルの分類 - 画像中のピクセルにクラスを割り当てるために使用されます。 たとえば、ピクセルの分類を土地被覆分類に使用することができます。
  • インスタンスの分類 - オブジェクト検出とピクセル分類の両方を統合します。 インスタンスの分類を使用して、オブジェクトを検出し、さらにそのオブジェクトを分類することができます。 たとえば、ピクセルの分類を損害の検出に使用して、損害を特定するだけでなく、さらに損害の深刻度を分類することができます。
注意:

ArcGIS Notebooks は、表形式、点群などの構造化されたデータセットを主に扱うモデルもサポートしています。

ディープ ラーニング ワークフロー

ArcGIS Notebook Server を使用して、次のディープ ラーニング ワークフローを実行できます。

  • エンドツーエンドのディープ ラーニング
  • 事前トレーニング済みモデルを使用した推論
  • 事前トレーニング済みモデルの微調整

エンドツーエンドのディープ ラーニング

エンドツーエンドのディープ ラーニングは、機械学習における革新的な手法で、単一のニューラル ネットワークが手動のフィーチャ抽出を必要とせず、生の入力データから直接複雑なタスクを実行するようにトレーニングされます。 この処理の手順は次のとおりです。

  1. データの収集 - タスクに関連する大規模で多様なデータセットを収集します。
  2. データの前処理 - トレーニング用にデータをクリーニングして準備します。
  3. モデルの設計 - ニューラル ネットワークのアーキテクチャを選択します。
  4. トレーニング - モデルをデータセットでトレーニングし、パラメーターを調整して誤差を最小化します。
  5. 評価 - 別々のデータセットでモデルをテストし、モデルのパフォーマンスを評価します。
  6. デプロイメント - トレーニング済みのモデルを実際のアプリケーションに実装します。

ワークフローの例については、「例: エンドツーエンドのディープ ラーニング ワークフロー」をご参照ください。

事前トレーニング済みモデル

事前トレーニング済みのディープ ラーニング モデルは、大規模なトレーニング データや計算リソースの必要性をなくすことで、地理空間ワークフローを効率化できます。 ArcGIS では、さまざまなタスクに対応した複数の事前トレーニング済みディープ ラーニング モデルを提供しています。 これらのモデルは ArcGIS Living Atlas からダウンロードし、ポータル コンテンツとしてアップロードすることで、ArcGIS Notebooks で使用できます。

ワークフローの例については、「例: 事前トレーニング済みモデルを使用した推論」をご参照ください。