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 LearningMétadonnées prises en chargeTâcheExemple

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

TâcheOutil

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

Rubriques connexes