すぐに使える地理空間ディープラーニングモデルの紹介

VinayViswambharan1

<\/HEAD>

さまざまなセンサーから日々流れ込む大量の画像データにより、特徴抽出を自動化するためにAIを活用する必要性はますます高まっています。組織が準備できるように、EsriはAIを次のレベルへと進化させています。私たちは、すぐに使える地理空間 <\/SPAN>ArcGIS Living Atlas上のAIモデル<\/A>のリリースを非常に嬉しく思います。<\/P><\/DIV><\/DIV><\/DIV><\/DIV>

記事概要:<\/STRONG> <\/SPAN>EsriはArcGIS Onlineを通じて、ユーザーコミュニティにすぐに使えるディープラーニングモデルを提供します。<\/P><\/BLOCKQUOTE><\/DIV>開始にあたり、3つのモデルを追加しました — 衛星画像からの建物フットプリント抽出と土地被覆分類、そして点群データセット内の樹木を表すポイントを分類する別のモデルです。<\/P>既存のArcGIS機能では、 <\/SPAN>

12以上のディープラーニングモデルをトレーニングし<\/A> <\/SPAN>地理空間データセット上で情報製品をArcGIS API for PythonやArcGIS Proを使って導出し、ArcGIS Image Serverで処理をスケールアップしてきました。<\/P><\/DIV>新しいディープラーニングモデルで自動的に抽出された建物フットプリント<\/A>

これら新たにリリースされたモデルは画期的です！Esriが膨大なデータ量で事前トレーニングしており、すぐに使用可能（トレーニング不要！）で、衛星画像や点群データセットから地理的特徴をデジタイズし抽出する面倒な作業を自動化します。これらはAIとディープラーニングの力をEsriユーザーコミュニティにもたらします。さらに、これらのディープラーニングモデルはArcGIS Onlineサブスクリプションを持つ誰でも追加費用なしで利用可能です。<\/P>

 <\/P>

モデルの使用方法<\/H2>これらのモデルの使用は簡単です。ArcGIS Proのジオプロセシングツール（例えば <\/SPAN>Detect Objects Using Deep Learning<\/A> <\/SPAN>ツール）で画像モデルを使えます。ツールに画像とダウンロードしたモデルを指定するだけで、これまでになく簡単にディープラーニングが利用できます！GPUは必須ではありませんが、高速化に役立ちます。ArcGIS Enterpriseでは、 <\/SPAN>Image Server<\.A>を使って推論処理をスケールアップできます。<\/P>

<\/DIV>ArcGIS Proで建物フットプリント抽出モデルを使用中

近日中に、 

ArcGIS Online Imagery<\/<A>上で直接モデルを利用し、自分のアップロードした画像に対して実行できるようになります—ArcGIS Enterprise展開なしで可能です。また <\/<SPAN>3D Basemapsソリューション<\/<A>も強化され、生の点群から樹木ポイント分類モデルを使いリアルな3D樹木モデルが作成可能になります。<\/<P> <\/<P >

これらディープラーニングモデルからどんな利益が得られるか？<\/<H2 >言うまでもなく、画像から特徴（例えばフットプリントのデジタイズや土地被覆マップ生成）を 手動で<\/<EM > <\/<P > <\/<P ><\/<DIV >サンプル建物フットプリント抽出 - Woodland, CA <\/<A >

すぐに使えるモデルならば、特徴抽出や独自のディープラーニングモデルのトレーニングに時間や労力をかける必要はありません。これらのモデルは多様な地域のデータでトレーニングされており、多くの地域で良好に機能します。新しい画像が入るたびにボタン一つで特徴抽出ができ、マッピング・可視化・分析用のGISデータセットレイヤーが作成できます。<\/<P >

<\/<DIV >

サンプル建物フットプリント抽出 - Palm Islands, Dubai <\/<A >

 <\/<P >

最初にリリースした3つのモデルについて知ろう<\/<H2 >現在3つのディープラーニングモデルがArcGIS Onlineで利用可能です。（今後さらに多くのモデルが登場予定です！）これらは深層学習パッケージ（DLPK）として提供されており、ArcGIS Pro、Image Server、および ArcGIS API for Python と共に使用できます。<\/<P >1． 建物フットプリント抽出 <\/<STRONG > <\/<SPAN > モデルは高解像度衛星画像から建物フットプリントを抽出するために使用されます。米国本土向けに設計されていますが、世界の他地域でもかなり良好な性能を示します。<\/<P ><\/<DIV >このモデルは世界の他の地域でもかなり良い性能を発揮しています。スウェーデン、Ulricehamnからの結果です。<\/A>

こちらはストーリーマップです<\/A> <\/SPAN>いくつかの結果を紹介しています。建物のフットプリントレイヤーは、ベースマップの作成や都市計画・開発、保険、課税、変化検出、インフラ計画の分析ワークフローに役立ちます。<\/P>2. Landcover Classification<\/STRONG> <\/SPAN>モデルはLandsat 8画像を使用して土地被覆製品を作成するために使用されます。分類された土地被覆はNational Land Cover Database<\/A>と同じクラスを持ちます。得られた土地被覆マップは都市計画、資源管理、変化検出、農業に役立ちます。<\/P>

<\/DIV>Landsat 8画像を使用した分類済み土地被覆マップ

この汎用モデルは

National Land Cover Database (NLCD)<\/A>2016でトレーニングされており、データベース作成に使用されたのと同じLandsat 8シーンが使われています。土地被覆分類は複雑な作業であり、従来の方法では捉えにくいものです。Deep learningモデルはこれらの複雑な意味論を学習する能力が高く、優れた結果をもたらします。<\/P>

3. Tree Point Classification<\/STRONG> <\/SPAN>モデルは点群データセット内の樹木を表す点を分類するために使用できます。<\/P><\/DIV>

Tree point classification modelを用いて作成された3Dシーン。<\/A>

樹木点の分類は高品質な3Dベースマップの作成、都市計画や林業ワークフローに役立ちます。<\/P>

 <\/P>

次のステップ<\/H2>ぜひArcGIS Living Atlasのdeep learning models<\/A>を試してみてください。ArcGISでdeep learning modelsを使うための詳細な手順<\/A>もご覧ください。質問があればGeoNet<\/A>でお知らせください。どのように機能しているか、またAIにやってほしい他の特徴抽出タスクについても教えてください！<\/P><\/DIV><\/DIV><\/BODY><\/HTML>

GuenterDoerffel

Works very smooth!   Thanks!