Использование моделей глубокого обучения в ArcGIS Notebooks

ArcGIS 11.5 | |  Help archive

Глубокое обучение — это быстро развивающийся метод анализа данных машинного обучения, который использует нейронные сети для имитации мыслительных процессов человеческого мозга. При интеграции с ГИС он может улучшить обработку данных и обеспечить более точный анализ данных.

Обычно с алгоритмами машинного обучения связаны три основные проблемы: анализ больших объемов данных, нехватка вычислительных ресурсов, а также эффективность и точность алгоритмов. Интегрируя ArcGIS Notebooks и алгоритмы глубокого обучения, вы сможете лучше справляться с этими проблемами.

Глубокое обучение в ArcGIS Notebooks

Модели глубокого обучения для данных изображений, доступные в ArcGIS Notebooks, делятся на четыре основные категории:

  • Классификация объектов — Используется для определения класса объекта. Например, это можно использовать для определения того, повреждено ли здание после стихийного бедствия.
  • Обнаружение объекта — Процесс локализации поиска объекта на изображении в ограничивающей рамке. Например, обнаружение объектов можно использовать для выявления плавательных бассейнов на изображении.
  • Классификация пикселей — Используется для присвоения классов пикселям в изображении. Например, классификация пикселей может использоваться для классификации почвенно-растительного покрова.
  • Классификация экземпляров — Объединяет как обнаружение объектов, так и классификацию пикселей. Классификацию экземпляров можно использовать для обнаружения объекта и его дальнейшей классификации. Например, классификацию пикселей можно использовать при обнаружении повреждений, чтобы не только идентифицировать повреждения, но и дополнительно классифицировать серьезность повреждений.
Примечание:

ArcGIS Notebooks также поддерживает модели, ориентированные на наборы табличных данных, облака точек и другие структурированные наборы данных.

Рабочие процессы глубокого обучения

ArcGIS Notebook Server может использоваться для выполнения следующих рабочих процессов глубокого обучения:

  • Непрерывный цикл глубокого обучения
  • Вывод с использованием предварительно обученных моделей
  • Точная настройка предварительно обученных моделей

Непрерывный цикл глубокого обучения

Непрерывный цикл глубокого обучения - это преобразующий метод в машинном обучении, при котором одна нейронная сеть обучается выполнять комплекс задач на основе необработанных входных данных, минуя необходимость извлечения объектов вручную. Этот процесс предполагает следующие шаги:

  1. Сбор данных - соберите большой и разнообразный набор данных, соответствующий задаче.
  2. Предварительная обработка данных - очистите и подготовьте данные для обучения.
  3. Проектирование модели - выберите архитектуру нейронной сети.
  4. Обучение - модель обучается на наборе данных, а параметры настраиваются для минимизации ошибок.
  5. Оценка - протестируйте модель на отдельном наборе данных, чтобы оценить ее производительность.
  6. Развертывание - внедрите обученную модель в приложение для реального мира.

См. Пример: Непрерывный цикл рабочего процесса глубокого обучения для примера рабочего процесса.

Предварительно обученные модели

Предварительно обученные модели глубокого обучения могут упрощать ваши геопространственные рабочие процессы, устраняя необходимость в обширных обучающих данных и вычислительных ресурсах. ArcGIS предлагает ряд предварительно обученных моделей глубокого обучения для разных задач. Эти модели можно загрузить из ArcGIS Living Atlas и использовать в ArcGIS Notebooks, загрузив их как ресурсы портала.

См. Пример: Вывод с использованием предварительно обученных моделей для примера рабочего процесса.