Architectures des modèles de Deep Learning

Disponible avec une licence Image Analyst.

Le tableau suivant présente les types de modèles de Deep Learning disponibles dans ArcGIS Pro. Chaque ligne indique les formats de métadonnées compatibles et la principale utilisation du type de modèle spécifique. Le cas échéant, des exemples sont inclus.

Type de modèle de Deep Learning	Métadonnées prises en charge	Tâche	Exemple
Détecteur de contours BDCN	Classified tiles (Tuiles classées)	Classification des pixels	Extraction de parcelles
Détecteur de changements	Classified tiles (Tuiles classées)	Classification des pixels (détection des changements)	Détection des changements dans les bâtiments
ConnectNet	Classified tiles (Tuiles classées)	Classification des pixels
CycleGAN	Tuiles exportées CycleGAN	Conversion d’image (images non appariées)	Conversion SAR vers RVB
DeepLab	Classified tiles (Tuiles classées)	Classification des pixels
Deep Sort	Imagenet	Suivi d’objets
DETReg	PASCAL_VOC_rectangles	Détection d’objets
Faster RCNN	PASCAL_VOC_rectangles KITTI_rectangles	Détection d’objets
Classificateur d’entités	Tuiles étiquetées Imagenet Tuiles multi-étiquetées	Détection d’objets	Catégorisation d’entités
Détecteur de contours HED	Classified tiles (Tuiles classées)	Classification des pixels	Extraction de parcelles
Sous-titreur d’images	Sous-titrage d’images	Sous-titrage d’images
Mask RCNN	Masques RCNN	Détection d’objets (segmentation d’instances)	Détection et classification des caribous
MMDetection	PASCAL_VOC_rectangles KITTI_rectangles	Détection d’objets
MMSegmentation	Classified tiles (Tuiles classées)	Classification des pixels
Extracteur de routes multitâche	Classified tiles (Tuiles classées)	Classification des pixels	Extraction automatique des routes
MaX-DeepLab	Segmentation panoptique	Segmentation panoptique
Pix2Pix	Tuiles exportées	Conversion d’image (images appariées)	Colorisation de l’imagerie historique
PSPNet	Classified tiles (Tuiles classées)	Classification des pixels
PSETAE	MaskRCNN	Classification des pixels
RetinaNet	PASCAL_VOC_rectangles KITTI_rectangles	Détection d’objets	Détection des réseaux de distribution et de la végétation
SAMLoRA	Classified tiles (Tuiles classées)	Classification des pixels
Siam Mask	Masques RCNN	Suivi d’objet
SSD	PASCAL_VOC_rectangles KITTI_rectangles	Détection d’objets	Détection de l’état sanitaire des palmiers
Super-résolution	Super-résolution	Conversion d’image (images appariées)	Amélioration de la résolution d’image
U-Net	Classified tiles (Tuiles classées)	Classification des pixels	Extraction des emprises de bâtiment
YOLOv3	PASCAL_VOC_rectangles KITTI_rectangles	Détection d’objets

Remarque :

Certains exemples qui utilisent le notebook Python pour l’entraînement peuvent être réalisés à l’aide de l’outil Entraîner le modèle de Deep Learning.

Tâches et outils de Deep Learning

Tâche	Outil
Détection de changement	Détecter les changements à l’aide d’algorithmes de Deep Learning
Conversion d’image (images appariées et non appariées)	Classer des pixels à l’aide du Deep Learning
Classification des objets	Classer des objets à l’aide d’algorithmes de Deep Learning
Détection d’objets	Détecter des objets à l’aide du Deep Learning
Détection d’objets (segmentation d’instances)	Détecter des objets à l’aide du Deep Learning
Suivi d’objet	Onglet Tracking (Suivi) dans FMV
Classification des pixels	Classer des pixels à l’aide du Deep Learning