ランダム ツリーによる分類器のトレーニング (Image Analyst ツール)
サマリー
ランダム ツリー分類方法を使用して、Esri 分類器定義ファイル (.ecd) を作成します。
ランダム ツリーによる分類器定義は、過剰適合を低減し、セグメント化された画像やその他の補助ラスター データセットを操作できる画像分類手法です。 標準的な画像入力の場合、このツールは任意のビット深度のマルチバンド画像を受け入れ、入力トレーニング フィーチャ ファイルに基づいてピクセル ベースまたはセグメントに基づいてランダム ツリー分類を実行します。
使用法
The Random Trees classification method is a collection of individual decision trees in which each tree is generated from different samples and subsets of the training data. The idea behind calling these decision trees is that for every pixel that is classified, a number of decisions are made in rank order of importance. When you graph these for a pixel, it looks like a branch. When you classify the entire dataset, the branches form a tree. This method is called random trees because you are actually classifying the dataset a number of times based on a random subselection of training pixels, resulting in many decision trees. To make a final decision, each tree has a vote. This process works to mitigate overfitting. The Random Trees classification method is a supervised machine-learning classifier based on constructing a multitude of decision trees, choosing random subsets of variables for each tree, and using the most frequent tree output as the overall classification. The Random Trees classification method corrects for the decision trees' propensity for overfitting to their training sample data. With this method, a number of trees are grown—森林にたとえると、各ツリーの適合前にトレーニング データをランダムに選択されたサブスペースに投影することで、ツリー間のばらつきを生じさせています。 各ノードでの決定は、ランダム化された手順によって最適化されます。
セグメント ラスターの場合、キー プロパティが セグメント化 に設定されており、このツールは RGB セグメント ラスターからインデックス画像と、関連するセグメント属性を計算します。 これらの属性は、別の分類ツールで使用される分類器定義ファイルを生成するために計算されます。 各セグメントの属性は、Esri でサポートされている画像から計算できます。
ラスター製品、セグメント化されたラスター、モザイク、イメージ サービス、一般的なラスター データセットなど、Esri でサポートされているラスターは入力として受け入れられます。 セグメント ラスターは 3 バンドの 8 ビット ラスターである必要があります。
トレーニング サンプル ファイルを作成するには、分類ツール ドロップダウン メニューから トレーニング サンプル マネージャー ウィンドウを使用します。
セグメント属性 パラメーターは、ラスター レイヤー入力のうちのいずれかがセグメント画像である場合にのみ、アクティブになります。
CCDC (Continuous Change Detection and Classification) アルゴリズムを使用して時系列ラスター データを分類するには、まず CCDC を使用した変化の解析 ツールを実行します。 次に、出力変化解析ラスターをこのトレーニング ツールの入力ラスターとして使用します。
トレーニング サンプル データは、トレーニング サンプル マネージャー を使用して複数回収集されている必要があります。 各サンプルのディメンション値は、トレーニング サンプル フィーチャクラスのフィールドにリストされています。このフィールドは、ディメンション値フィールド パラメーターで指定します。
パラメーター
| ラベル | 説明 | データ タイプ |
|---|---|---|
|
入力ラスター |
分類対象のラスター データセット。 Esri でサポートされているラスター データセットを使用できます。 選択肢の 1 つとして、3 バンドの 8 ビット セグメント ラスター データセットがあります。ここでは、同じセグメント内のすべてのピクセルは同じ色を持ちます。 入力は、シングル バンドの 8 ビット グレースケール セグメント ラスターにすることもできます。 |
Raster Layer; Mosaic Layer; Image Service; String |
|
トレーニング サンプル マネージャー |
トレーニング サイトを表すトレーニング サンプル ファイルまたはレイヤー。 これらは、トレーニング サンプルを含んでいる、シェープファイルまたはフィーチャクラスです。 トレーニング サンプル ファイルには、次のフィールド名が必要です。
|
Feature Layer |
|
出力分類器定義ファイル |
分類器に関する属性情報、統計情報、その他の情報を含んでいる JSON ファイルです。 |
File |
|
追加入力ラスター (オプション) |
マルチスペクトル画像や DEM などの補助ラスター データセットを取り入れて、分類の属性やその他の必要な情報を生成できます。 このパラメーターはオプションです。 |
Raster Layer; Mosaic Layer; Image Service; String |
|
ツリーの最大数 (オプション) |
フォレスト内のツリーの最大数。 ツリー数を増やすと、精度率が高くなります。ただし、この向上は最終的には一定になります。 ツリー数は、処理時間を線形的に増加させます。 |
Long |
|
最大ツリー階層 (オプション) |
フォレスト内の各ツリーの最大深度。 深度は、各ツリーが意思決定に至るまでに作成できるルールの数を示すもう 1 つの方法です。 ツリーは、この設定を超えた深度には成長しません。 |
Long |
|
クラスあたりの最大サンプル数 (オプション) |
各クラスの定義に使用されるサンプルの最大数。 入力がセグメント ラスターでない場合は、デフォルトの値 1000 を推奨します。 0 以下の値は、システムが分類器をトレーニングするためにトレーニング サイトのすべてのサンプルを使用することを意味します。 |
Long |
|
セグメント属性 (オプション) |
出力ラスターに関連付けられた属性テーブルに含める属性を指定します。 このパラメーターは、入力ラスターで セグメント化 キー プロパティを true に設定した場合にのみ有効になります。 このツールへの入力が、セグメント画像のみである場合、デフォルトの属性は 収束色、ピクセル数、コンパクト性、および 四角形性 になります。 セグメント画像とともに 追加入力ラスター の値が入力として含まれている場合、平均デジタル ナンバー と 標準偏差 属性も使用できます。
|
String |
|
ディメンション値フィールド (オプション) |
入力トレーニング サンプル フィーチャクラスのディメンション値が含まれます。 このパラメーターは、CCDC を使用した変化の解析 ツールから出力された変化解析ラスターを使用して時系列のラスター データを分類する際に必要となります。 |
Field |
環境
現在のワークスペース, 範囲, 地理座標系変換, 出力座標系, スクラッチ ワークスペース, スナップ対象ラスター
ライセンス情報
- Basic: Image Analyst または Spatial Analyst が必要
- Standard: Image Analyst または Spatial Analyst が必要
- Advanced: Image Analyst または Spatial Analyst が必要