かなりの解像度: 画像から画像への変換 ArcGIS Pro での Deep Discovering の費用

このブログでは、ArcGIS で簡単にアクセスできる画像から画像への変換モデルアーキテクチャについて説明します。例として、画像から画像への変換モデルアーキテクチャの 1 つである Sizable Resolution の詳細な手順を説明します。では、Sizable Resolution ワークフローに飛び込む前に、画像から画像への変換とは何かを理解しましょう。

画像から画像への変換は、1 つの疑いのない図またはシーンの2つの方法からのコーチング知識の量を考えると、シーンのモデルを他の1人に。例として: 照明なしの白とカラーの写真、航空写真からトポグラフィーファッションデザインの写真、低解像度の写真から高解像度の写真

ArcGIS は PIX2PIX、CycleGAN を尊重しますが、このブログでは、写真の解像度または Sizable Resolution を改善することについて話します。 Resolve 1 に示すように、画像の利点と特定の低解像度画像から過度の解像度の画像を増やします。これにより、圧縮アーティファクトを判断し、ピクセルを編集することで、ぼやけた写真をよりシャープな写真に変えることができます。かなりの解像度は、監視、科学取引、法医学、および衛星画像機能を尊重するかなりの分野で弱い. ディープディスカバリーは、この種の複雑な問題を解決したことで、ややヒットしました。このウェブログでは、ArcGIS をどのように使用するかを明らかにすることができ、これらのターゲットを発信する能力を発見することができます。

解決策 1: 低解像度から過剰な解像度の画像を復元する

このモデル構造では、コストがかかります低解像度の衛星画像にテクスチャと要素を追加し、それを高解像度の画像に変換するための深い研究。モデルのコーチングには、同じ方法の過剰な解像度と低解像度の画像のペアが必要です。モデルを指導するために明らかにするには、非常に解像度の高い画像が必要です。 Insist Deep Discovering アウトマシンは、arcgis.study の prepare_data 機能を使用して、uncover の過度の解像度の画像を劣化させ、モデルを指導するための低解像度の画像をシミュレートします。コーチング用のラベルを生成するダウンサンプル要素。過度の解像度の写真を撮り、バイリニア補間などの戦略を使って寸法を突き刺し、画像の利点を低下させます。例として: 寸法 256×256 の画像は、4 のダウンサンプルエレメントで 64×64 に変換されます。 Sizable Resolution モデル構造の追加の小さな印刷物については、この Web ドキュメントを参照してください。

ご存じのように、深い研究プロジェクトには次の 3 つのステップがあります:

知識の準備

コーチング深い発見out マネキン

推論

知識の準備

知識の準備には、高解像度の画像が必要なだけです。このために、ArcGIS Pro と ArcGIS Image Server で簡単にアクセスできるマシンを Deep Discovering にエクスポートコーチングナレッジを使用できます。マシンへの入力は、過剰な解像度の画像である可能性があります。この場合、次のパラメーターを弱めます:
• Raster を入力: Imagery
• 画像形式: JPEG 形式
• タイルサイズ X & タイルサイズ Y: 512
• メタ知識フォーマット: タイルのエクスポート

解決策 2: 手段を深く発見するためにコーチングの知識をエクスポートする

マネキンを深く掘り下げるコーチング

これで、知識の準備が整ったので、ArcGIS Pro および ArcGIS Enterprise で簡単にアクセスできる Insist Deep Discovering out Mannequin マシンを使用して、モデルを教育できます。 Enter コーチングの知識は、前の手順でエクスポートした知識である可能性があります。モデルの出力の主張と識別を指定できるようになります。マシンのスクリーンショットの下に、弱いパラメーターが表示されます。特に、エポック数=25、モード種類=かなりの解像度、バッチディメンション=2 であることを明らかにします (マシンに優れた GPU が搭載されている場合、より大きなバッチディメンションを使用することは間違いありません)。マネキンの引数には、downsample_factor=4 を使用します。最終的なパラメーターのデフォルト値を受け入れて、マシンの速度を上げます。

解決策 3: マネキンの楽器を発見するための深いコーチング )

私たちのモデルがプロフェッショナルになったら、sage で作成された model_metrics.html sage を確認することで、その利点を概観できます。

コーチングと検証の損失

この場所では、コーチングと検証の損失を観察できます。コーチングと検証の両方の写真で、モデルがうまく機能していることを確認することができます.

解決 4: コーチングと検証の喪失

サンプル結果

これは、ダウンサンプリングされたチップ (左)、予測されたチップ (中央)、およびフロアリングトゥルース (適切) を含む検証データセットからのチップを表示します。この目に見える評価は、プロのモデルの質的な結果を評価するのに役立ちます.

解決 5: サンプル結果

推論

モデルに大喜びしたので、低解像度の写真に変更して、過度の解像度の写真。これを達成するために、ディープディスカバリーアウトマシン用の分類ピクセルを使うことができます。低解像度の画像を入力し、適切なパラメータを確認し、マシンの速度を上げます。

解決 6: ディープディスカバリーアウトマシン用のピクセルの分類結果

下入力と出力の例を示しています。