深度学习工具集概览

需具有 Image Analyst 许可才能使用。

“深度学习”工具集包含的工具可用于检测图像中的特定要素以及对栅格数据集中的像素进行分类。

深度学习是一种机器学习人工智能，它使用神经网络中的多个图层来检测影像中的要素，其中可以将影像中的一个或多个唯一要素提取到每个图层。 “深度学习”工具集中的工具使用 GPU 处理来及时执行分析。

这些 ArcGIS Pro 工具使用在第三方深度学习框架（例如 CNTK 和 PyTorch）中训练的模型来检测特定要素，并输出要素或类地图。

下表列出了深度学习工具，并对每个工具进行了简要描述：

深度学习工具集中的工具
工具	描述
使用深度学习分类对象	用于运行输入栅格和可选要素类上的训练深度学习模型，以生成要素类或表，其中每个输入对象或要素均具有一个分配的类或类别标注。该工具需要包含经过训练的模型信息的模型定义文件。可以使用训练深度学习模型工具或第三方训练软件（例如 PyTorch）训练模型。模型定义文件可以是 Esri 模型定义 JSON 文件 (`.emd`) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。
使用深度学习分类像素	用于运行输入栅格上的训练深度学习模型，以生成分类栅格，其中每个有效像素都被分配了一个类标注。该工具需要包含经过训练的模型信息的模型定义文件。可以使用训练深度学习模型工具或第三方训练软件（例如 PyTorch）训练模型。模型定义文件可以是 Esri 模型定义 JSON 文件 (`.emd`) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。
计算对象检测的精度	通过对深度学习检测对象使用工具检测到的对象和实际地表数据进行比较来计算深度学习模型的精度。
计算像素分类的精度	根据遗漏错误和错分以及交并比 (IoU) 分数计算混淆矩阵。精度是在使用深度学习分类像素工具的输出与地面真实数据之间计算的。
使用深度学习检测变化	运行训练深度学习模型以检测两个栅格之间的变化。该工具需要包含经过训练的模型信息的模型定义文件。模型定义文件可以是 Esri 模型定义 JSON 文件 (`.emd`) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。
检测控制点	检测镶嵌数据集中的地面控制点。
使用深度学习检测对象	用于运行输入栅格上的训练深度学习模型，以生成包含其找到对象的要素类。这些要素可以是所找到对象周围的边界框或面，也可以是对象中心的点。该工具需要包含经过训练的模型信息的模型定义文件。可以使用训练深度学习模型工具或第三方训练软件（例如 PyTorch）训练模型。模型定义文件可以是 Esri 模型定义 JSON 文件 (`.emd`) 或深度学习模型包，它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。
导出训练数据进行深度学习	使用遥感影像将标注的矢量或栅格数据转换为深度学习训练数据集。输出为影像片文件夹和指定格式的元数据文件文件夹。
使用 AI 模型提取要素	在输入栅格上运行一个或多个预训练的深度学习模型，以提取要素和自动执行推断的输出的后处理。
非极大值抑制	可将使用深度学习检测对象工具的输出中的重复要素识别为后处理步骤，并创建没有重复要素的新输出。使用深度学习检测对象工具可针对同一对象（尤其是作为切片的边际效应）返回多个边界框或面。如果两个要素的重叠超过给定的最大比率，则将移除置信值较低的要素。
训练深度学习模型	使用导出训练数据进行深度学习工具的输出训练深度学习模型。
使用 AutoDL 进行训练	通过构建训练管道和自动执行大部分训练过程来训练深度学习模型。其中包括数据增强、模型选择、超参数调整和批次大小推导。它的输出包括最佳模型在训练数据上的性能指标，以及经过训练的深度学习模型包（`.dlpk` 文件），可用作使用 AI 模型提取要素工具的输入，以对新影像进行预测。
转换图像形状	将要素从影像空间转换到地图空间。
使用深度学习转换像素	运行经过训练的深度学习模型，以转换影像中的像素。

深度学习工具集概览

相关主题