Satellietbeelden kunnen een schat aan informatie bevatten, van het aantal gebouwen in een stad tot het type gewassen dat op velden over de hele wereld wordt verbouwd. Maar het extraheren van deze gegevens uit een afbeelding is ingewikkelder dan werken met vectordatasets. Historisch gezien, om de gebouwen, zwembaden of palmbomen in een afbeelding te extraheren, moest je elk object handmatig digitaliseren, een proces dat weken of jaren kon duren, afhankelijk van de grootte van de afbeelding. Maar met verbeteringen in rekenkracht en nieuwe, toegankelijke tools voor deep learning in ArcGIS Pro, kan iedereen een computer trainen om het werk te doen van het identificeren en extraheren van objecten uit beelden.<\/SPAN><\/P>Op het hoogste niveau is deep learning, wat een type machine learning is, een proces waarbij de gebruiker trainingsvoorbeelden maakt, bijvoorbeeld door polygonen te tekenen over daken, en het computermodel leert van deze trainingsvoorbeelden en de rest van de afbeelding scant om vergelijkbare objecten te identificeren. Deze blogpost zal het eerste deel zijn in een driedelige serie die dieper ingaat op het proces, beginnend met de software- en hardwarevereisten om een deep learning-model te draaien in ArcGIS Pro.<\/SPAN><\/P>https:\/\/www.esri.com\/arcgis-blog\/products\/arcgis-pro\/imagery\/deep-learning-with-arcgis-pro-tips-tricks<\/A><\/P> <\/P>
