Создание обучающих данных
В этом рабочем процессе вы изучите процесс обучения SAMLoRA для выявления интересующих вас объектов на снимках, в данном случае — зданий неформальных поселений. Во-первых, вам необходимо подготовить небольшой объем обучающих данных, демонстрирующих примеры этих зданий на ваших снимках. Вы настроите проект ArcGIS Pro, изучите предоставленные примеры и экспортируете обучающие данные в формат, поддерживаемый SAMLoRA.
Настройка проекта
Вы загрузите проект, содержащий все данные для этого руководства, и откроете его в ArcGIS Pro.
- Загрузите файл Alexandra_Informal_Settlements.zip и найдите загруженный файл на своем компьютере.
Примечание:
Большинство веб-браузеров по умолчанию скачивают все в папку Загрузки.
- Щелкните правой кнопкой мыши файл Alexandra_Informal_Settlements.zip и извлеките данные в подходящее расположение на вашем компьютере, например, в папку на вашем диске C:.
- Откройте распакованную папку Alexandra_Informal_Settlements. Дважды щелкните Alexandra_Informal_Settlementsy.aprx, чтобы открыть проект в ArcGIS Pro.
- При появлении запроса войдите в свою учетную запись ArcGIS.
Примечание:
Если у вас нет доступа к ArcGIS Pro или учетной записи организации ArcGIS, см. варианты доступа к программному обеспечению.
Откроется проект.
На карте слой снимков, полученных с помощью БПЛА, представляет район поселка Александра в Южной Африке. Изображение имеет высокое разрешение, каждый пиксел представляет собой квадрат размером примерно 2 на 2 сантиметра на земле. Он был получен Лабораториями полетов Южной Африки. Слой хранится в ArcGIS Online в качестве сервиса листов изображений.
Примечание:
Лаборатории полетов Южной Африки— некоммерческая организация, которая занимается получением изображений с помощью дронов в Южной Африке и стремится предоставить местным сообществам знания и навыки, необходимые для решения социальных проблем в этой стране.
Этот слой изображений Истинное орто был создан из нескольких исходных изображений, полученных с помощью дронов. Он был сгенерирован в приложении Site Scan for ArcGIS и сохранен в ArcGIS Online непосредственно из Site Scan.
Чтобы применить рабочий процесс, предложенный в этом руководстве, к вашим собственным изображениям, ознакомьтесь с советами, приведенными в разделе Применение этого рабочего процесса к вашим собственным изображениям.
- Увеличивайте и уменьшайте масштаб с помощью колесика мыши, чтобы рассмотреть области застройки на изображении.
Многие из этих застроенных территорий представляют собой неформальные поселения, где здания построены очень близко друг к другу, образуя замысловатые узоры. Их крыши сделаны из гофрированных металлических листов разных цветов и состояний. По этим причинам традиционные модели глубокого обучения могут испытывать сложности с идентификацией таких зданий с высокой степенью точности. Подход SAMLoRA, с которым вы познакомитесь в этом уроке, является хорошей альтернативой для получения высококачественных результатов без необходимости использования большой вычислительной мощности.
Изучение примеров неформальных поселений
Вы изучите примеры обучения, предоставленные вместе с вашим проектом.
- На панели Содержание установите флажок рядом со слоем Training_Area, чтобы включить его.
На западной стороне изображения виден оранжевый полигон. Он представляет территорию, выбранную для обучения SAMLoRA тому, как выглядят неформальные поселения.
Примечание:
В данном случае есть только одна область обучения, но возможно также наличие нескольких областей обучения, каждая из которых представлена отдельным полигоном. Пример нескольких областей обучения вы увидите далее в руководстве.
- На панели Содержание щелкните правой кнопкой слой Training_Area и выберите Приблизить к слою.
Карта приблизилась к области обучения.
- Включите слой Informal_Settlements_Examples.
Слой Informal_Settlements_Examples представляет все здания в области обучения в виде светло-серых полигонов.
Примечание:
Пошаговые инструкции по созданию слоя обучающих примеров можно найти в разделе Подготовка обучающих примеров для трансферного обучения руководства Улучшение модели глубокого обучения с помощью трансферного обучения.
Каждое здание в области обучения было захвачено как полигон. Если хотя бы несколько зданий отсутствовало, это привело бы к генерации запутанной информации, и SAMLoRA не смогла бы обучаться оптимально. На следующих примерах изображений слева обучающий набор завершен и готов к использованию для обучения. Напротив, справа некоторые здания отсутствуют, что может привести к снижению эффективности обучения.
Далее вы проверите атрибутивные поля Informal_Settlements_Examples.
- На панели Содержание щелкните правой кнопкой мыши слой Informal_Settlements_Examples и выберите Таблица атрибутов.
Каждая строка в таблице представляет собой один из полигонов здания. Атрибут Класс имеет значение Здание.
Примечание:
Хотя это не является существенной частью данного рабочего процесса, обратите внимание, что значение Здание на самом деле является надписью для базового числового значения 1. Дополнительную информацию по этой теме см. в разделе Применение этого рабочего процесса к собственным изображениям далее в этом руководстве.
В случае, если обучающие примеры представляют несколько типов объектов, в поле Класс будут перечислены эти несколько типов, например, Здание, Дорога или Дерево. Такой подход позволяет SAMLoRA научиться распознавать различные типы объектов на снимках.
- Закройте таблицу.
- На панели инструментов быстрого доступа, щелкните кнопку Сохранить проект, чтобы сохранить проект.
Более подробно об обучающих фрагментах изображений и размере ячеек
Вы будете использовать пример слоя полигонов и слоя изображений для создания обучающих данных в определенном формате. Модель глубокого обучения не сможет обучить большую область за один проход, и она может обрабатывать только небольшие кусочки изображения, называемые также фрагментами. Фрагмент изображения состоит из листа изображения и соответствующего листа меток, который показывает, где расположены интересующие объекты (в данном случае здания). Эти фрагменты передаются в модель глубокого обучения в процессе обучения.
При создании фрагментов изображений важно определить их оптимальный размер. Для обнаружения объектов, расположенных близко друг к другу, как в случае с постройками в неформальных поселениях, хорошей рекомендацией может стать то, что фрагмент изображения должен включать от 6 до 12 объектов. Другой способ: фрагмент изображения должен содержать по крайней мере один или два полных объекта в своем центре и показывать достаточное количество контекста (или фона) вокруг него.
На следующем примере изображения показаны три фрагмента изображения разных размеров:
- Фрагмент 1 слишком мал; он не содержит полных объектов и почти не содержит контекста.
- Фрагмент 2 имеет хороший размер; в центре находятся два полных объекта, а также несколько неполных объектов и контекст вокруг них.
- Фрагмент 3 слишком большой; он содержит большое количество объектов (более 25).
Как можно изменить размер фрагментов изображений? Обычно используются фрагменты размером 256 на 256 пикселей (или ячеек), поэтому вы сохраните это значение по умолчанию. Однако можно получать фрагменты разных размеров, варьируя размер ячеек, из которых они состоят. Например, три листа, показанные выше, были созданы со следующими размерами ячеек:
- Фрагмент 1 — 0,02 метра (2 сантиметра)
- Фрагмент 2 — 0,05 метра (5 сантиметра)
- Фрагмент 3 — 0,1 метра (10 сантиметра)
Примечание:
Если размер ячейки фрагмента изображения составляет 5 сантиметров, это означает, что каждая его ячейка представляет собой квадрат 5 на 5 сантиметров на земле.
Оптимальный размер фрагмента изображения будет зависеть от размера объектов, которые вы хотите идентифицировать. Например, сельскохозяйственные поля, дома, автомобили и солнечные панели имеют совершенно разные размеры. Одним из подходов к поиску оптимального размера фрагмента изображения является метод проб и ошибок. Вы можете выбрать размер ячейки, сгенерировать фрагменты изображения и оценить их визуально. Существуют более продвинутые подходы к выбору размеров фрагментов изображений и ячеек, но они выходят за рамки данного руководства. В рамках данного учебного пособия было установлено, что размер ячейки в 5 сантиметров позволит получить фрагменты изображения оптимального размера для идентификации зданий неформальных поселений.
Экспорт обучающих данных
Далее вы создадите обучающие фрагменты изображений с помощью инструмента Экспорт обучающих данных для глубокого обучения.
- Щелкните вкладку Анализ на ленте. В группе Геообработка щелкните Инструменты.
- На панели Геообработка найдите Экспорт обучающих данных для глубокого обучения. В списке результатов нажмите Экспорт обучающих данных для глубокого обучения.
- Задайте следующие параметры инструмента:
- Для параметра Входной растр выберите Alexandra_Orthomosaic.
- Для Выходной папки введите Informal_Settlements_256_5cm. (Это создаст в вашем проекте подпапку для хранения обучающих данных.)
- Для Входной класс объектов или классифицированный растр или таблица выберите SamplesInformal_Settlements_Examples.
- Для Поля значений класса выберите Class.
- Для Входных полигонов маски выберите Training_Area.
Указание слоя Training_Area в качестве маски имеет решающее значение, поскольку это гарантирует, что фрагменты изображений будут созданы только в той области, где помечены все здания.
Примечание:
При необходимости создать слой Training_Area для собственных данных, вы можете воспользоваться инструментом геообработки Создать класс объектов. После создания класса объектов на ленте, на вкладке Редактировать щелкните инструмент Создать, чтобы обвести один или несколько прямоугольных полигонов, ограничивающих области, в которых вы хотите разместить обучающие примеры.
- Для параметров Размер листа X и Размер плитки листа Y сохраните значения по умолчанию — 256 пикселов.
- Для Формат метаданных выберите Классифицированные листы.
Классифицированные листы — это формат метаданных, который, как ожидается, будет использоваться для обучения модели SAMLoRA.
Примечание:
Дополнительную информацию о поддерживаемых форматах метаданных для различных типов моделей глубокого обучения можно найти на странице Архитектуры моделей глубокого обучения. Дополнительную информацию о параметрах, перечисленных в инструменте, можно найти на странице документации Экспорт обучающих данных для глубокого обучения.
- На панели инструментов щелкните вкладку Параметры среды.
- Для параметра Размер ячейки введите 0,05.
Размер этой ячейки составляет 0,05 метра или 5 сантиметров. Как указано в предыдущем разделе, этот размер ячейки гарантирует, что созданные листы будут иметь подходящий размер для идентификации зданий неформальных поселений.
Примечание:
Выбор размера ячейки для фрагментов изображений не изменит исходное разрешение входного изображения. Инструмент будет пересчитывать данные на лету, чтобы создавать фрагменты изображений с нужным размером ячеек.
Дополнительную информацию о том, как определить свойства изображения, включая размер его ячеек, см. в разделе Применение этого рабочего процесса к своему собственному изображению далее в этом учебном руководстве. ТАакже дополнительную информацию о размере ячейки изображения и разрешении можно найти в руководстве Изучение изображений — пространственное разрешение.
- Щелкните Запустить.
Через несколько мгновений инструмент завершит работу.
Изучение обучающих данных
Далее вы изучите созданные вами обучающие фрагменты изображений. Сначала вы отключите слой примеров зданий, чтобы уменьшить нагруженность карты.
- На панели Содержание снимите флажок рядом с пунктом Informal_Settlements_Examples, чтобы отключить слой.
Вы перейдете в папку, в которой хранятся фрагменты изображений и метки изображений.
- Щелкните вкладку Вид на ленте. В группе Окна щелкните Панель Каталог.
- На панели Каталог разверните Папки, Alexandra_Informal_Settlements и Informal_Settlements_256_5cm.
Папка Informal_Settlements_256_5cm содержит папки с изображениями и метками.
- Разверните папку labels.
В этой папке содержится 128 листов меток в формате TIFF.
- Щелкните правой кнопкой мыши файл 000000000000.tif и выберите Добавить на текущую карту.
- Если появится запрос о вычислении статистики, щелкните Да.
Лист меток появится на карте. Это растр, где каждая ячейка может иметь значение 0 или 1. Ячейки со значением 0 отображаются белым цветом и обозначают области застройки. Ячейки со значением 0 отображаются черным цветом и обозначают области, на которых не ведется строительство.
- На панели Каталог разверните папку images.
В этой папке содержится 128 листов изображений в формате TIFF. Каждому листу меток соответствует лист изображения. Например, лист изображения 000000000000.tif представляет собой небольшое вырезанное изображение, которое соответствует листу меток 000000000000.tif, как показано на следующем примере изображения.
Модель глубокого обучения SAMLoRA будет использовать листы меток, чтобы узнать, как выглядят здания и где они расположены.
- При желании можно отключить слой Alexandra_Orthomosaic и добавить листы изображений на карту для их изучения. Вы также можете добавить на карту больше листов меток.
- На панели Содержание щелкните правой кнопкой мыши лист метки 000000000000.tif и выберите Удалить. Удалите все остальные листы меток и изображений, добавленные вами на карту.
Подсказка:
Чтобы увидеть больше числовой информации о листах меток, на панели Каталог в папке метки щелкните правой кнопкой мыши файл stats.txt и выберите Показать в проводнике. Этот файл содержит статистические данные, такие как минимальное, среднее и максимальное количество объектов (в данном случае зданий) на фрагменте изображения.
- В ArcGIS Pro нажмите Ctrl+S, чтобы сохранить проект.
На данный момент вы настроили проект, исследовали полигональный слой, представляющий примеры неформальных поселений, узнали об обучающих фрагментах изображений и размере ячеек, сгенерировали обучающие фрагменты изображений с метками и изображениями и изучили выходные данные.
Обучение модели извлечения неформальных населенных пунктов SAMLoRA
Далее вы будете использовать полученные вами обучающие данные для обучения базовой модели глубокого обучения SAMLoRA и научите ее распознавать здания неформальных поселений на ваших изображениях. Затем вы рассмотрите обученную модель, чтобы лучше ее понять.
Обучение модели SAMLoRA
Сначала вы обучите модель с помощью инструмента Тренировать модель глубокого обучения.
- В нижней части панели Каталог щелкните вкладку Геообработка.
- На панели Геообработка нажимайте кнопку Назад, пока не вернетесь в поле поиска.
- Найдите и откройте инструмент Тренировать модель глубокого обучения.
- Для параметра Входные обучающие данные щелкните кнопку Обзор. Перейдите в Папки > Alexandra_Informal_Settlements, выберите irregular_settlements_256_5cm и щелкните OK.
- Для Выходной папки введите Informal_Settlements_256_5cm_SAMLoRA.
Этот параметр создаст подпапку в вашем проекте (в разделе Папки > модели) для хранения полученной обученной модели.
- Для Максимальное число периодов времени введите 50.
Эпоха относится к одному полному проходу всего обучающего набора данных.
- В качестве Типа модели выберите SAMLoRA (Классификация пикселов).
- Разверните раздел Подготовка данных. Если объем выделенной памяти вашего графического процессора NVIDIA составляет 4 ГБ, введите значение 2 в поле Размер пакета. Если 8 ГБ, введите 4.
Значение размера пакета изменит только скорость процесса обучения, но не качество выходных данных.
Подсказка:
Чтобы определить значение Размера пакета, лучше всего начать с размера пакета, составляющего половину выделенной памяти вашего графического процессора в ГБ. Например, если у вас есть выделенная память графического процессора объемом 16 ГБ, вы можете начать с размера пакета 8. Если вы не знаете объем памяти своего процессора, начните с 2.
Для получения более точных результатов, вы можете проверить использование памяти вашего графического процессора в реальном времени. Откройте командную строку из меню Пуск Windows и вставьте команду nvidia-smi -l -5. При запуске инструментов глубокого обучения обратите внимание на объем используемой памяти.
Если максимум не достигнут, вы можете увеличить размер пакета при следующем запуске инструмента.
- Разверните раздел Дополнительно. Для параметра Опорная модель выберите ViT-B.
B означает Базовая. Этот параметр позволит обучить модель SAMLoRA на меньшей (базовой) нейронной сети.
- Убедитесь, что для параметра Мониторинг метрик выбран параметр Потери проверки.
Эта метрика измеряет, насколько хорошо модель обобщает полученные знания в новых данных.
- Убедитесь, что опция Завершить, когда модель перестанет улучшаться включена, чтобы избежать переобучения модели.
Примечание:
В случаях, когда у вас большой набор обучающих данных, а объем выделенной памяти графического процессора составляет 8 ГБ или более, вы можете рассмотреть возможность обучения модели глубокого обучения на более крупной Опорной модели, например ViT-L (большой) или ViT-H (огромный).
Теперь вы готовы запустить инструмент.
Примечание:
В этом руководстве рекомендуется использовать графический процессор NVIDIA с объемом выделенной памяти не менее 8 ГБ. В зависимости от того, имеется ли в вашем компьютере графический процессор и каковы его характеристики, этот процесс может занять от 2 до 20 минут и более. Но вы можете использовать модель, которая уже была обучена. В этом случае не запускайте инструмент, пока не дочитаете этот раздел до конца. Позже будут даны инструкции по извлечению предоставленной модели.
Если вы не уверены, есть ли на вашем компьютере графический процессор и каковы его характеристики, см. раздел Проверка доступности графического процессора в руководстве Подготовка к глубокому обучению в ArcGIS Pro.
- Если вы решите запустить процесс самостоятельно, щелкните Запустить. Во время работы инструмента нажмите Просмотр подробной информации, чтобы просмотреть дополнительную информацию о процессе обучения.
Подсказка:
С этой же информацией можно ознакомиться на панели История. На ленте на вкладке Анализ в группе Геообработка щелкните История. На панели История щелкните правой кнопкой мыши процесс Тренировать модель глубокого обучения и выберите Просмотр дополнительной информации.
- В окне дополнительной информации перейдите на вкладку Сообщения и отслеживайте метрику потерь проверки.
Чем меньше значение потерь проверки, тем лучше. С каждой эпохой оно постепенно уменьшается, поскольку модель улучшает свою способность успешно определять области застройки. Когда значение потерь проверки перестает существенно меняться, обучение прекращается. Параллельно с этим неуклонно растут метрики точности и Dice (третий и четвертый столбцы). Эти метрики измеряют производительность модели.
Примечание:
Поскольку глубокое обучение — это недетерминированный процесс, информация, которую вы получаете на вкладке Сообщения, может отличаться от примеров изображений.
- По окончании обучения проверьте показатели точность и точность определения зданий.
На изображении в качестве примера общая точность составляет 8,9250e-01 или 89,25 процента. В данном случае этот значение точности должно составлять от 85 до 95 процентов. Поскольку вас интересует именно идентификация зданий, значение точности для Здания является наилучшим показателем производительности модели. В данном случае это значение составляет 0,8913 или 89,13 процента. (Полученные вами значения могут отличаться.)
- Закройте окно просмотра подробностей.
Просмотр обученной модели SAMLoRA
Один из способов узнать больше о вашей обученной модели SAMLoRA — это просмотреть ее с помощью инструмента Просмотр моделей глубокого обучения.
- На ленте щелкните вкладку Изображения. В группе Классификация изображений нажмите Инструменты глубокого обучения и выберите Просмотр моделей глубокого обучения.
- На панели Обзор модели глубокого обучения в разделе Модель нажмите кнопку Обзор.
- Перейдите в Папки > Alexandra_Informal_Settlements > модели, выберите Informal_Settlements_256_5cm_SAMLoRA и нажмите ОК.
- На панели Обзор модели глубокого обучения найдите диаграмму в разделе Потери при обучении и проверке.
На этой диаграмме подробно показан процесс обучения модели. Потери при обучении (синий цвет) показывают, насколько хорошо модель обучилась на обучающих данных, а Потери проверки (оранжевый цвет) показывают, как модель смогла обобщить полученные знания на новые данные. (Ваша диаграмма может выглядеть иначе.) В последней части обучения кривые потерь обучения и проверки сформировали асимптотические линии.
Это явление называется сходимостью. Если обучение продолжается и после этой фазы, модель может начать работать лучше на обучающих данных, чем на проверочных, что является признаком того, что она переобучается обучающим данным и теряет способность обобщать новые данные.
- Просмотрите другую информацию, представленную на панели, включая Тип модели, Опорная, общую Точность и Подробные сведения об эпохе.
Примечание:
Дополнительные информацию сведения об информации, представленной на этой панели, можно найти на странице документации Обзор модели глубокого обучения.
- Просмотрев информацию о модели, закройте панель Обзор модели глубокого обучения.
- Нажмите Ctrl+S, чтобы сохранить проект.
Теперь вы обучили базовую модель глубокого обучения SAMLoRA распознавать здания неформальных поселений.
Классификация и извлечение неформальных поселений с помощью SAMLoRA
Теперь вы готовы извлечь неформальные поселения из ваших изображений. Сначала вы примените обученную модель SAMLoRA к своим изображениям, чтобы классифицировать пикселы как строения или как не строения. Этот процесс известен как вывод классификации. Затем вы получите полигоны контуров зданий. Наконец, вы изучите развернутые результаты, чтобы возможности SAMLoRA для извлечения различных типов объектов для более крупных экстентов.
Классификация неформальных поселений
Сначала вы примените обученную модель SAMLoRA к своим изображениям с помощью инструмента Классифицировать пикселы при помощи глубокого обучения. Чтобы ускорить рабочий процесс при работе с данным руководством, вы запустите процесс на небольшом экстенте. Однако в реальности вы можете обрабатывать очень большие изображения.
- На ленте щелкните вкладку Карта. В группе Навигация нажмите Закладки и выберите закладку Inferencing Area.
Карта приблизится к этой закладке.
- На панели Геообработка щелкните кнопку Назад. Найдите и откройте инструмент Классифицировать пикселы при помощи глубокого обучения.
- Задайте следующие параметры инструмента:
- Для параметра Входной растр выберите Alexandra_Orthomosaic.
- Для Выходного растрового набора данных введите Informal_Settlements_Raster.
- Для МодельОпределениенажмите кнопку Обзор. Перейдите в Папки > Alexandra_Informal_Settlements > модели > Informal_Settlements _256_5cm_SAMLoRA, выберите Informal_Settlements _256_5cm_SAMLoRA.dlpk и нажмите OK.
- Для batch_size введите то же значение, которое вы использовали ранее (например, 2, если объем выделенной памяти вашего графического процессора составляет 4 ГБ).
Примечание:
Если вы не обучали модель самостоятельно, для Определения модели используйте предоставленную модель, расположенную в разделе Папки > Alexandra_Informal_Settlements > Provided_Data > модели > Informal_Settlements _256_5cm_SAMLoRA.
- На панели инструментов щелкните вкладку Параметры среды.
- В разделе Экстент обработки нажмите кнопку Текущий экстент отображения.
Этот параметр гарантирует, что будет обработана только та область, которая в данный момент отображается на карте.
- В Размер ячейки введите 0,05, чтобы соответствовать размеру ячейки, который вы использовали при обучении SAMLoRA.
Примечание:
Этот процесс может занять от одной до 15 минут в зависимости от наличия у вас графического процессора и его характеристик Если вы предпочитаете не запускать процесс самостоятельно, вы можете использовать предоставленные выходные данные. На панели Каталог перейдите в Базы данных > Provided_Data.gdb, щелкните правой кнопкой мыши Informal_Settlements_Raster и выберите Добавить на текущую карту.
- Если вы решили запустить процесс самостоятельно, щелкните Запустить.
По завершении процесса на карте появится новый растровый слой.
Каждый пиксел изображения в выбранном вами экстенте был классифицирован, и результат был зафиксирован в выходном растре: областям, относящимся к строениям неформальных поселений, было присвоено значение 1 (обозначены светло-оранжевым цветом), а областям без строений было присвоено значение 0 (обозначены прозрачным цветом).
Примечание:
Цвет присваивается случайным образом и может варьироваться.
Определение и очистка полигонов контуров зданий
Теперь, когда вы создали выходной растр с помощью инструментов GeoAI, вы выполните его постобработку. Цель — получить слой, представляющий контуры зданий в виде полигонов. Вы будете использовать пользовательский инструмент, включающий следующие основные этапы:
- Используйте инструмент Растр в полигон для получения полигонального слоя.
- Используйте инструмент Упорядочить контуры зданий, чтобы нормализовать и сгладить формы полигональных объектов.
- Удалите полигоны, которые слишком малы для того, чтобы быть зданиями.
- Используйте инструмент Слияние для удаления перекрывающихся полигонов.
Сначала вы получите набор инструментов, размещенный в ArcGIS Online, который содержит этот инструмент.
- На панели Каталог щелкните вкладку Портал и кнопку ArcGIS Online. Введите Post_Deep_Learning_Workflows owner:Esri_Tutorials в поле поиска и нажмите Enter.
В результатах поиска щелкните правой кнопкой мыши Post_Deep_Learning_Workflows и выберите Добавить в проект.
Набор инструментов загрузился в ваш локальный проект.
- На панели Каталог щелкните вкладку Проект. Разверните Наборы инструментов и PostDeepLearning.pyt.
Набор инструментов содержит несколько инструментов, в том числе один для постобработки зданий.
Примечание:
Инструмент для постобработки зданий должен подходить для любых типов зданий, а не только для неформальных поселений.
При желании можете ознакомиться с исходным кодом этого пользовательского инструмента на GitHub.
- Щелкните правой кнопкой мыши на Последующая обработка зданий из выходного растра и выберите Открыть.
- В качестве Выходного растра выберите Informal_Settlements_Raster.
- В поле Имени поля для преобразования растра в полигон выберите Класс.
В этом поле содержится значение класса Здания.
- Для Уникального значения выбранного поля выберите Здание.
Инструмент сосредоточится только на ячейках растра, помеченных этим значением.
- Для Выходного класса объектов введите Informal_Settlements_Final.
Эти выходные данные будут окончательным выходным классом объектов. Он будет сохранен в базе данных вашего проекта по умолчанию.
Примечание:
Если у входного растра нет атрибута Класс, в поле Имя поля для преобразования растра в полигон выберите Значение, а в поле Уникальное значение выбранного поля выберите число, соответствующее интересующим вас объектам, например 1.
- Щелкните Запустить.
Появится выходной слой. Слою будут присвоены те же символы, что и слою Informal_Settlements_Examples, который вы использовали ранее в рабочем процессе.
- В панели Содержание щелкните правой кнопкой Informal_Settlements_Examples и выберите Копировать.
- Щелкните правой кнопкой Informal_Settlements_Final и выберите Вставить свойства.
Символы слоя обновились в светло-серые цвета. Чтобы уменьшить нагруженность карты, отключите растровый слой.
- На панели Содержание отключите слой Informal_Settlements_Raster.
Вы будете использовать инструмент Шторка, чтобы сравнить конечный выходной слой с исходным изображением.
- На панели Содержание щелкните слой Informal_Settlements_Final, чтобы выбрать его.
- Щелкните на ленте вкладку Векторный слой. В группе Сравнить щелкните Спрятать.
- На карте перетащите указатель сверху вниз, чтобы спрятать слой Informal_Settlements_Final и отобразить расположенный под ним слой изображений Alexandra_Orthomosaic.
Полигоны контуров зданий с высокой степенью точности соответствуют зданиям, представленным на снимках.
- На ленте щелкните вкладку Карта. В группе Навигация щелкните кнопку Исследовать.
Изучение развернутых результатов
До сих пор вы извлекали неформальные населенные пункты в рамках небольшого экстента для ускорения рабочего процесса. Далее вы изучите выходные данные для экстента всех изображений, полученных с беспилотных летательных аппаратов. Вы также рассмотрите возможность извлечения более одного типа объектов с помощью подхода SAMLoRA. В данном случае были извлечены следующие объекты:
- Различные типы зданий — от неформальных и небольших до более стандартных и больших.
- Различные типы дорог — от узких и грунтовых до более широких и асфальтированных.
Сначала вы откроете карту, содержащую эти примеры.
- На панели Каталог разверните Карты. Щелкните правой кнопкой мыши Изучить выходные данные и выберите Открыть.
Появится карта Изучить выходные данные. На данный момент включен только слой изображений Alexandra_Orthomosaic. Вы включите другие слои и просмотрите их.
- На панели Содержание включите слои Expanded_Training_Areas и Buildings_and_Roads_Examples.
На этот раз присутствует несколько оранжевых полигонов, каждый из которых обозначает отдельную обучающую область. В этих обучающих областях серые примеры захватывают различные типы зданий и дорог.
- Увеличьте масштаб и перемещайте карту, чтобы рассмотреть примеры зданий и дорог.
- На панели Содержание щелкните правой кнопкой мыши Buildings_and_Roads_Examples и выберите Таблица атрибутов.
- В таблице атрибутов Buildings_and_Roads_Examples прокрутите вниз, чтобы проверить значения Класс.
В этом случае возможны два значения: Здание и Дорога. Модель SAMLoR A будет использовать эту информацию, чтобы научиться определять два типа объектов.
- Закройте таблицу.
Следуя тому же рабочему процессу, что и в этом уроке, эти примеры использовались в качестве входных данных для генерации обучающих данных. Затем модель SAMLoRA была обучена распознавать эти объекты. Модель была применена ко всему изображению, и в конечном итоге были получены слои объектов зданий и дорог. Вы изучите полученные результаты.
- На панели Содержание отключите слои Expanded_Training_Areas и Buildings_and_Roads_Examples.
- Включите слой Buildings_and_Roads_Raster_Full_Extent.
Выходной растр определяет области, относящиеся к зданиям (светло-оранжевый) и дорогам (темно-синий).
- Увеличьте масштаб и переместите карту, чтобы рассмотреть растровый слой.
Разнообразие обнаруженных зданий и дорог впечатляет. Эту модель можно применять к гораздо более обширным изображениям, охватывающим целый город или регион.
Далее вы рассмотрите два производных векторных слоя:
- Полигональный слой для зданий, полученный с помощью инструмента Последующая обработка зданий из выходного растра, который вы использовали ранее.
- Слой полилиний для дорог, полученный с помощью инструмента Последующая обработка дорог из выходного растра, также включенного в набор инструментов Рабочие процессы глубокого обучения.
- На панели Содержание отключите Buildings_and_Roads_Raster_Full_Extent Отключите слои Buildings_Full_Extent и Roads_Full_Extent.
- Увеличьте масштаб и перемещайте карту, чтобы рассмотреть векторные слои зданий и дорог.
Такая подробная карта может быть использована вашей местной некоммерческой организацией для предоставления более качественных общественных услуг.
- Нажмите Ctrl+S, чтобы сохранить проект.
Применение этого рабочего процесса к своим собственным изображениям - Дополнительно
Для применения этого рабочего процесса к собственным изображениям, помните следующие советы.
- Где хранить свои изображения — в этом уроке вы использовали слой изображений, который был создан в Site Scan for ArcGIS из необработанных изображений высокого разрешения с БПЛА и сохранен в ArcGIS Online непосредственно из Site Scan. При работе с собственными данными вы также можете разместить их на ArcGIS Online. Более подробную информацию см. на странице документации по Публикации размещенных слоев изображений. Другой вариант — использовать изображения, хранящиеся на вашем локальном компьютере.
- Использование единообразных изображений на протяжении всего рабочего процесса – при работе с моделью SAMLoRA следует убедиться, что вы используете схожие изображения как для обучения, так и для применения модели. В частности, спектральные каналы (например, красный, зеленый и синий), глубина пиксела (например, 8 бит) и размер ячейки должны быть одинаковыми.
- Поиск свойств изображения – если вы не уверены в свойствах своего изображения, на панели Содержание щелкните правой кнопкой по слою изображения и выберите Свойства. На панели Свойства щелкните панель Источник. В разделе Информация о растре найдите значения Количество каналов, Размер ячейки X, Размер ячейки Y и Глубина пиксела.
- Адаптация входных изображений – если необходимо адаптировать изображения для использования в качестве входных данных для уже обученной модели SAMLoRA (например, выбрать подмножество каналов или изменить глубину пиксела), см. раздел Выбор подходящих каналов изображений в руководстве Улучшение модели глубокого обучения с помощью трансферного обучения для получения пошаговых инструкций. Вы также можете узнать, как изменить размер ячейки (или размер изображения) вашего изображения, в руководстве Изучение изображений — пространственное разрешение.
- Создание слоя полигонов с учебными примерами – используйте пошаговые инструкции в разделе Подготовка обучающих примеров для трансферного обучения руководства Улучшение модели глубокого обучения с помощью трансферного обучения.
- Использование атрибутивного домена – в слое полигонов обучающих примеров значение Здания в атрибуте Класс на самом деле является меткой для основного числового значения 1. Хотя это не является обязательной частью рабочего процесса, вы должны знать, что это реализовано с помощью атрибутивного домена. Подробнее об этой методике можно узнать в руководстве Применение подтипов и доменов к туристическим маршрутам Вены. В качестве альтернативы вы можете использовать числовые значения для своих классов; выходные данные также будут числовыми, а извлеченные объекты будут называться 1 вместо Здание.
- Создание слоя области обучения — можно использовать инструмент геообработки Создать класс объектов. Затем на ленте, на вкладке Редактировать, щелкните инструмент Создать, чтобы обвести один или несколько прямоугольных полигонов, ограничивающих области, в которых вы хотите разместить обучающие примеры.
- Выбор размера ячейки – как объяснялось в разделе Более подробно об обучающих фрагментах изображений и размере ячейки, не забудьте поэкспериментировать с размером ячейки, чтобы создать листы, оптимизированные для тех объектов, которые вы планируете извлечь.
- Экспериментирование с небольшим экстентом — во время экспериментов вы можете ограничить обработку небольшим экстентом для более быстрого получения результатов. На вкладке Параметры среды в разделе Экстент обработки нажмите кнопку Нарисовать экстент и нарисуйте на карте маленький полигон. Либо увеличьте масштаб карты и нажмите кнопку Текущий экстент отображения.
В этом уроке вы использовали подход SAMLoRa для выявления неформальных поселений на изображениях. Вы сгенерировали обучающие данные и использовали их для обучения базовой модели. Вы применили обученную модель для классификации неформальных поселений на изображениях, а затем определили и очистили полигоны контуров зданий. Наконец, вы изучили развернутые результаты.
Больше обучающих материалов, аналогичных этим, доступно в серии Попробуйте глубокое обучение в ArcGIS
Вы можете найти больше учебных пособий в галерее учебных пособий.
