Klassificer objekter ved hjælp af Deep Learning

Klassificer objekter ved hjælp af Deep Learning


Dette værktøj kører en trænet Deep Learning-model på en inputraster og en valgfri objektklasse for at frembringe en objektklasse eller tabel, hvor hvert objekt har en tildelt en klasseetiket.

Hvis afkrydsningsfeltet Brug aktuel kortudstrækning er markeret, er det kun det rasterområde, der er synligt inden for den aktuelle kortudstrækning, der analyseres. Hvis det ikke er markeret, analyseres hele rasteren, selvom den er uden for den aktuelle kortudstrækning.

Vælg det billede, der bruges til at klassificere objekter


Inputbilledet, der bruges til at registrere objekter.

Vælg vektorlag til objekter (valgfri)


Det punkt-, linje- eller polygon-inputvektorlag, der identificerer placeringen af hvert objekt, der skal klassificeres og navngives. Hver række i input-vektorlaget repræsenterer et enkelt objekt.

Hvis der ikke er angivet noget input-vektorlag, forudsætter værktøjet, at hvert inputbillede indeholder et enkelt objekt, der skal klassificeres. Hvis inputbilledet eller billederne bruger en spatial reference, er outputtet fra værktøjet et vektorlag, hvor udstrækningen af hvert billede bruges som grænsegeometri for hvert navngivet objekt. Hvis der ikke refereres spatialt til inputbilledet eller -billederne, er outputtet fra værktøjet en tabel, der indeholder billed-ID-værdier og klasseetiketter for hvert billede.

Vælg den Deep Learning-model, der skal bruges til at registrere objekter


Elementet Deep Learning-inputpakke ( .dlpk).

Deep Learning-pakken består af Esri-modeldefinitionens JSON-filen ( .emd), den binære Deep Learning-modelfil, og evt. den Python rasterfunktion, der skal anvendes.

Behandlingstilstand


Angiver, hvordan alle rasterelementer i et mosaikdatasæt eller en billedtjeneste skal behandles. Denne parameter anvendes, når inputrasteren er et mosaikdatasæt eller en billedtjeneste.

  • PROCESS_AS_MOSAICKED_IMAGE — Alle rasterelementer i mosaikdatasættet eller billedtjenesten vil blive placeret i en mosaik og behandlet. Dette er standardværdien.
  • PROCESS_ITEMS_SEPARATELY — Alle rasterelementer i mosaikdatasættet eller billedtjenesten behandles som separate billeder.
<>

Angiv argumenter for Deep Learning-model


Funktionsargumenterne er defineret i Python raster-funktionsklassen, der refereres til i inputmodellen.. Her angiver du på yderligere Deep learning-parametre og -argumenter for eksperimenter og forfinelse, f.eks. en troværdighedstærskel for justering af følsomheden.

Navnet på argumenterne udfyldes af værktøjet ved at læse Python-modulet på rasteranalyse-serveren.

Definér feltnavn for klasseetiket


Navnet på det felt, der skal indeholde klassifikationsetiketten i output-vektorlaget.

Hvis der ikke er angivet noget feltnavn, genereres ClassLabel, der er et nyt felt, i output-vektorlaget.

Procestilstand


Angiver, hvordan alle rasterelementer i en billedtjeneste skal behandles.

  • Behandl som mosaikbillede—Alle rasterelementer i billedtjenesten samles i en mosaik og behandlet. Dette er standardværdien.
  • Behandl elementer separat—Alle rasterelementer i billedtjenesten behandles som separate billeder.
.

Navn på resultatlag


Navnet på det lag, som oprettes under Mit indhold og føjes til kortet. Standardnavnet er baseret på navnet på værktøjet og navnet på inputlaget. Hvis laget allerede findes, vil du blive bedt om at angive et andet navn.

Du kan angive navnet på en mappe i Mit indhold, hvor resultatet bliver gemt ved at benytte rullelisten Gem resultat i.