无需编码即可使用 ArcGIS Pro 中的深度学习进行基于像素的分类
无需编码即可使用 ArcGIS Pro 中的深度学习进行基于像素的分类
本文提供了一个简明指南，介绍如何在ArcGIS Pro中使用深度学习执行基于像素的分类，而无需编写代码来构建深度学习模型。文章将带领读者从数据准备和模型训练，到最终的分类和可视化，完成整个流程。
我的训练图像来自2022年4月，覆盖台湾整个石门水库集水区。它使用具有4个波段（R、G、B、NIR）的Spot-6影像。我添加了一个5m DEM来计算坡度作为附加波段，使其总共有5个波段。图像经过预处理，单元大小为1.5m，深度为8位。
由于测试影像为2024年3月拍摄，覆盖石门水库集水区部分区域，波段排列相同，已进行预处理，确保所有栅格信息与训练样本相符。
步骤 1. 下载深度学习包
第一步，我们需要下载DL包。下载链接：下载链接
选择与您的ArcGIS Pro版本匹配的版本，然后双击.msi文件解压并安装。
步骤2. 数据准备和预处理
确保图像正确预处理（例如，缩放像素值），以便训练和测试图像共享相同的参数，包括像素大小、像素深度、波段数和坐标系。
您可以将特征图层添加到训练样本中，然后合成它们。只需确保测试样本具有相同的波段排列即可。
步骤3. 将对象标记为训练样本
成功安装该软件包后，“深度学习”功能将在“图像”选项卡中可用。
加载训练样本前，请确保同一类别的所有样本拥有相同的类别编码、类别名称、类别值（类别值不能为0）。（编辑完成后记得导出样本。）
单击“标注深度学习对象”，然后选择现有影像图层。然后单击加载训练样本。
加载样本后，选择所有类别并单击“编辑类别属性”。
单击“标注深度学习对象”并选择现有影像图层，然后加载训练样本。
加载后，选择相同的类并单击“编辑类属性”。
在“定义类”面板中，选择“添加新类”，输入类名和值（值不能为0），然后单击“确定”。
单击导出训练数据，将输出文件夹更改为您的位置，并将元数据格式更改为基于像素的分类。
其他参数可以调整，我保持默认，然后点击运行。
输出文件夹将包含两个文件夹和四个文件。
步骤 4. 开始训练你的深度学习模型
打开训练深度学习模型工具。（Image Analyst 工具/深度学习）
选择包含训练数据的文件夹（4 个文件和 2 个文件夹）。
设置输出模型位置。
将模型类型更改为 U-Net (Pixel Classification)。
在数据参数中，将“mixup”从 false 更改为 True。
保持其他所有参数为默认设置。
您可以访问网站查看每个论点的详细解释！！训练深度学习模型 (影像分析师) — ArcGIS Pro | 文档深度学习参数 — ArcGIS Pro | 文档
训练完成后，输出文件夹将包含四个文件和一个文件夹。
该.dlpk文件是主模型，我们将使用它来测试样本。
我们可以打开 html 文件，它显示了模型的性能。
我使用的真实数据由于图像扭曲而存在一些问题；但是，我们可以看到该模型仍然可以检测到正确的滑坡覆盖区域。
在损失图中，我们观察到两条线：蓝线表示训练损失，橙线表示验证损失。
随着训练周期数的增加，两条曲线都呈现下降趋势，表明模型正在学习并逐渐提高其性能。当损失值稳定时，表明模型的训练已达到收敛并且没有过拟合。
至于Precision、Recall和F1（F1-score），则来自于混淆矩阵的概念，都是用来评估模型性能的。
来源：性能指标 | Vaibhav Jayaswal 著 | Towards Data Science
Presion = TP / (TP + FP)，
表示在所有预测的阳性结果中，有多少百分比是真正的阳性。
召回率 = TP / (TP + FN)，
表示在全部阳性样本中，预测为阳性的占比。与 TPR（真实阳性率）相同。
F1-Score = (2 * 准确率 * 召回率) / (准确率 + 召回率)
它是准确率和召回率的调和平均值。它同时考虑了假阳性和假阴性。因此，它在不平衡的数据集上表现良好。
步骤 5. 现在是测试的时候了！
打开使用深度学习分类像素工具。（图像分析工具/深度学习）
输入预处理后的测试影像，确保其与训练样本的栅格信息相匹配。
设置输出位置并将.dlpk上一步中的文件输入到模型定义中。
保留其他参数为默认值，然后单击运行。
（此外，如果可用，请转到环境并将处理类型设置为 GPU）
通过这样做，您将看到模型对测试样本的预测。