使用深度学习检测变化 (影像分析工具)

汇总

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，该文件必须包含为处理每个对象调用的 Python 栅格函数路径以及经过训练的二进制深度学习模型文件路径。

用法

此工具的输入为两个图像：先前时间图像和最近时间图像。输出为已分类栅格数据集，用于显示两个栅格输入之间的变化。
您必须在 ArcGIS Pro Python 环境中安装适当的深度学习框架 Python API（例如 PyTorch）；否则在将 Esri 模型定义文件添加至工具时会发生错误。向 Esri 模型定义文件的创建者索取相应的框架信息。

要设置计算机以在 ArcGIS Pro 中使用深度学习框架，请参阅安装 ArcGIS 深度学习框架。
该工具将调用第三方深度学习框架 Python API（例如 PyTorch），并使用指定的 Python 栅格函数来处理每个对象。
模型定义参数值可以是 Esri 模型定义 JSON 文件 (.emd)、JSON 字符串或深度学习模型包 (.dlpk)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 .emd 文件。 .dlpk 文件必须存储在本地。
可能需要其他输入参数，例如迷你批处理大小、填充大小等。
有关模型定义 JSON 文件 (.emd)，请参阅下面的示例。

示例模型定义 JSON 文件

<!--```json { "Framework": "", "ModelConfiguration":" ", "ModelFile":"", "InferenceFunction":"", "ModelType":"", "ImageHeight":256, "ImageWidth":256, "ExtractBands":[0,1,2], "CropSizeFixed": 1, "BlackenAroundFeature": 1, "Classes": [ { "Value": 0, "Name": "Building", "Color": [255, 0, 0] } ] }
增加批处理大小可以提高工具性能；但是随着批处理大小增加，所用内存也将随之增加。如果出现内存不足错误，则降低批处理大小。可以使用参数参数调整 batch_size 值。
批处理大小为平方数，例如 1、4、9、16、25、64 等。如果输入值不是完全平方值，将使用可能的最高平方值。例如，如果指定的值为 6，则批处理大小设置为 4。
该工具将支持并使用多个 GPU（如果可用）。要使用特定的 GPU，指定 GPU ID 环境。如果未设置 GPU ID，该工具将使用所有可用 GPU。这是默认设置。

当处理器类型环境设置为 CPU 且并行处理因子环境未指定时，工具将使用 50% 的并行处理因子值。

有关运行此工具的要求以及您可能遇到的问题的信息，请参阅深度学习常见问题。
有关深度学习的详细信息，请参阅使用 ArcGIS Image Analyst 扩展模块的深度学习。

标注	说明	数据类型
起始栅格	更改前的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
目标栅格	更改后的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
输出分类栅格	显示变化的输出分类栅格。	Raster Dataset
模型定义	模型定义参数值可以是 Esri 模型定义 JSON 文件 (`.emd`)、JSON 字符串或深度学习模型包 (`.dlpk`)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 `.emd` 文件。 `.dlpk` 文件必须存储在本地。其中包含深度学习二进制模型文件路径、待使用的 Python 栅格函数路径以及其他参数，例如首选切片大小或填充。	File; String
参数（可选）	将使用模型定义参数中的信息填充此参数。这些参数会有所变化，具体取决于模型架构。下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 `padding`—影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。要在减少伪影的同时使输出更加平滑，请增大此值。内边距的最大值可以是切片大小值的一半。此参数适用于所有模型架构。 `batch_size`—模型推断的每个步骤中处理的影像切片数。这取决于显卡的内存。此参数适用于所有模型架构。值表列： Name—The name of the function argument. Value—The value of the function argument.	Value Table

DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster, in_model_definition, {arguments})

名称	说明	数据类型
from_raster	更改前的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
to_raster	更改后的输入栅格。	Raster Dataset; Raster Layer; Mosaic Layer; Image Service; Map Server; Map Server Layer; Internet Tiled Layer
out_classified_raster	显示变化的输出分类栅格。	Raster Dataset
in_model_definition	`in_model_definition` 参数值可以是 Esri 模型定义 JSON 文件 (`.emd`)、JSON 字符串或深度学习模型包 (`.dlpk`)。当在服务器上使用此工具时，JSON 字符串十分有用，因为您可以直接粘贴 JSON 字符串，而无需上传 `.emd` 文件。 `.dlpk` 文件必须存储在本地。其中包含深度学习二进制模型文件路径、待使用的 Python 栅格函数路径以及其他参数，例如首选切片大小或填充。	File; String
arguments [arguments,...] （可选）	`in_model_definition` 参数中的信息将用于设置此参数的默认值。这些参数会有所变化，具体取决于模型架构。下面为在 ArcGIS 中训练的模型支持的模型参数。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。 `padding`—影像切片边界处的像素数，将根据这些像素为相邻切片混合预测。要在减少伪影的同时使输出更加平滑，请增大此值。内边距的最大值可以是切片大小值的一半。此参数适用于所有模型架构。 `batch_size`—模型推断的每个步骤中处理的影像切片数。这取决于显卡的内存。此参数适用于所有模型架构。值表列： `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table

代码示例

DetectChangeUsingDeepLearning 示例 1（Python 窗口）

此示例运行深度学习模型以查找两个图像之间的差异。

# Import system modules
import arcpy
from arcpy.ia import *

DetectChangeUsingDeepLearning("c://detectchange//input_image1.tif",
     "c://detectchange//input_image2.tif", "c://detectchange//output_difference.tif",
     "c://detectchange/detectBuilding.emd", "padding 0;score_threshold 0.6;batch_size 4")

DetectChangeUsingDeepLearning 示例 2（独立脚本）

此示例运行深度学习模型以查找两个图像之间的差异。

# Import system modules
import arcpy
from arcpy.ia import *

"""
Usage: DetectObjectsUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, {model_arguments})
"""

# Set local variable
from_raster = r"c:/detectchange/input_image1.tif"
to_raster = r"c:/detectchange/input_image2.tif"
out_classified_raster = r"c:/detectchange/output_difference.tif"
in_model_definition = r"c:/ detectchange/detectbuilding.emd"

# arcpy.env.processorType = "GPU"
# arcpy.env.gpuId = 0

# Run
DetectChangeUsingDeepLearning(from_raster, to_raster, out_classified_raster,
    in_model_definition, "padding 0;score_threshold 0.6;batch_size 4")

环境

像元大小, 当前工作空间, 范围, 地理变换, GPU ID, 输出坐标系, 并行处理因子, 处理器类型, 临时工作空间

许可信息

基本: 需要 Image Analyst
标准: 需要 Image Analyst
高级: 需要 Image Analyst

使用深度学习检测变化 (影像分析工具)

汇总

用法

参数

环境

许可信息

相关主题