Доступно с лицензией Image Analyst.
Аргументы - один из вариантов управления способов обучения и использования моделей глубокого обучения. В первой таблице ниже перечислены поддерживаемые аргументы модели для обучения моделей глубокого обучения. Во второй таблице перечислены аргументы, контролирующие, как модели глубокого обучения используются для вывода.
Обучающие аргументы
Следующие аргументы в Модели глубокого обучения доступны для обучения моделей. Аргументы различаются в зависимости от архитектуры модели. Вы можете менять значения этих аргументов для обучения моделей.
| Тип модели | Аргумент | Корректные значения |
|---|---|---|
Change detector (классификация пикселов) | attention_type | PAM (Pyramid Attention Module) или BAM (Basic Attention Module). |
chip_size | Целые числа от 0 до размера изображения. | |
monitor | valid_loss, precision, recall и f1. | |
ConnectNet (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
gaussian_thresh | 0.0 до 1.0. По умолчанию 0.76. | |
monitor | valid_loss, accuracy, miou и dice. | |
mtl_model | linknet или hourglass. | |
orient_bin_size | Положительное число. Значение по умолчанию равно 20. | |
orient_theta | Положительное число. Значение по умолчанию - 8. | |
DeepLabV3 (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
class_balancing | true или false. | |
focal_loss | true или false. | |
ignore_classes | Допустимые значения классов. | |
monitor | valid_loss и accuracy. | |
mixup | true или false. | |
Image captioner (преобразование изображения) | chip_size | Целые числа от 0 до размера изображения. |
Аргумент decode_params состоит из следующих шести параметров:
| Значение по умолчанию равно {'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False}. | |
monitor | valid_loss, accuracy, corpus_bleu и multi_label_fbeta. | |
MMDetection (выявление объекта) | chip_size | Целые числа от 0 до размера изображения. |
model | atss, carafe, cascade_rcnn, cascade_rpn, dcn, detectors, double_heads, dynamic_rcnn, empirical_attention, fcos, foveabox, fsaf, ghm, hrnet, libra_rcnn, nas_fcos, pafpn, pisa, regnet, reppoints, res2net, sabl и vfnet. | |
model_weight | true или false. | |
MMSegmentation (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
model | ann, apcnet, ccnet, cgnet, danet, deeplabv3, deeplabv3plus, dmnet , dnlnet, emanet, encnet, fastscnn, fcn, gcnet, hrnet, mobilenet_v2, mobilenet_v3, nonlocal_net, ocrnet, ocrnet_base, pointrend, psanet, pspnet, resnest, sem_fpn, unet и upernet. | |
model_weight | true или false. | |
Multi Task Road Extractor (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
gaussian_thresh | 0.0 до 1.0. По умолчанию 0.76. | |
monitor | valid_loss, accuracy, miou и dice. | |
mtl_model | linknet или hourglass. | |
orient_bin_size | Положительное число. Значение по умолчанию равно 20. | |
orient_theta | Положительное число. Значение по умолчанию - 8. | |
Pyramid Scene Parsing Network (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
class_balancing | true или false. | |
focal_loss | true или false. | |
ignore_classes | Допустимые значения классов. | |
monitor | valid_loss или accuracy. | |
mixup | true или false. | |
pyramid_sizes | [уровень свертки 1, уровень свертки 2, ... , уровень свертки n] | |
use_net | true или false. | |
RetinaNet (выявление объектов) | chip_size | Целые числа от 0 до размера изображения. |
monitor | valid_loss или average_precision. | |
ratios | Значение отношения 1, значение отношения 2, значение отношения 3. По умолчанию – 0.5,1,2. | |
scales | [значение шкалы 1, значение шкалы 2, значение шкалы 3] По умолчанию – [1, 0.8, 0.63]. | |
Single Shot Detector (выявление объектов) | chip_size | Целые числа от 0 до размера изображения. |
grids | Целочисленные значения больше 0. | |
monitor | valid_loss или average_precision. | |
ratios | [значение по горизонтали, значение по вертикали] | |
zooms | Значение увеличения, где 1.0 - отсутствие увеличения. | |
U-Net (классификация пикселов) | chip_size | Целые числа от 0 до размера изображения. |
class_balancing | true или false. | |
focal_loss | true или false. | |
ignore_classes | Допустимые значения классов. | |
monitor | valid_loss или accuracy. | |
mixup | true или false. |
Выводящие аргументы
Следующие аргументы доступны для, контроля, как обучаются модели глубокого обучения для вывода. Информация из параметра Определение модели используется для заполнения строки Аргументы в инструментах вывода. Аргументы различаются в зависимости от архитектуры модели. Предварительно обученные модели ArcGIS и пользовательские модели глубокого обучения могут включать дополнительные аргументы, которые поддерживаются инструментом.
| Аргумент | Тип вывода | Корректные значения |
|---|---|---|
| batch_size | Классифицировать объекты Классифицировать пикселы Выявить изменения Выявить объекты | Целочисленные значения больше 0; обычно целое число в степени 2n. |
| direction | Классифицировать пикселы | Доступными опциями являются AtoB и BtoA. Аргумент доступен только для архитектуры CycleGAN. |
| exclude_pad_detections | Выявить объекты | true или false. Аргумент доступен только для SSD, RetinaNet, YOLOv3, DETReg, MMDetection и Faster RCNN. |
| merge_policy | Классифицировать пикселы Выявить объекты | Доступные опции mean, max и min. Для инструмента Классифицировать пикселы при помощи глубокого обучения аргумент доступен в арххитектурах MultiTaskRoadExtractor и ConnectNet. Если IsEdgeDetection присутствует в файле .emd модели, BDCNEdgeDetector, HEDEdgeDetector и MMSegmentation также являются доступными архитектурами. Для инструмента Выявить объекты при помощи глубокого обучения аргумент доступен только для MaskRCNN. |
| nms_overlap | Выявить объекты | Значение с плавающей точкой от 0.0 до 1.0. Значение по умолчанию равно 0.1. |
output_classified_raster | Выявить объекты | Путь и имя файла для выходного классифицированного растра. Аргумент доступен только для MaXDeepLab. |
padding | Классифицировать пикселы Выявить изменения Выявить объекты | Целочисленные значения больше 0 и меньше, чем половина значения размера листа. |
| predict_background | Классифицировать пикселы | true или false. Аргумент доступен для UNET, PSPNET, DeepLab и MMSegmentation. |
return_probability_raster | Классифицировать пикселы | true или false. Если ArcGISLearnVersion 1.8.4 или новее в файле .emd модели, доступны архитектуры MultiTaskRoadExtractor и ConnectNet. Если ArcGISLearnVersion 1.8.4 или новее и IsEdgeDetection есть в файле .emd модели, доступны архитектуры BDCNEdgeDetector, HEDEdgeDetector и MMSegmentation. |
| score_threshold | Классифицировать объекты | от 0 до 1.0. |
| test_time_augmentation | Классифицировать объекты Классифицировать пикселы | true или false. |
| threshold | Классифицировать пикселы Выявить объекты | от 0 до 1.0. Для инструмента Классифицировать пикселы при помощи глубокого обучения, если ArcGISLearnVersion 1.8.4 или новее в файле .emd модели, доступны архитектуры MultiTaskRoadExtractor и ConnectNet. Если ArcGISLearnVersion 1.8.4 или новее и IsEdgeDetection есть в файле .emd модели, доступны архитектуры BDCNEdgeDetector, HEDEdgeDetector и MMSegmentation. Для инструмента Выявить объекты при помощи глубокого обучения этот агрумент доступен во всех архитектурах модели. |
| thinning | Классифицировать пикселы | true или false. Если IsEdgeDetection присутствует в файле .emd модели, BDCNEdgeDetector, HEDEdgeDetector и MMSegmentation также являются доступными архитектурами. |
| tile_size | Классифицировать пикселы Выявить объекты | Целочисленные значения больше 0 и меньше, чем половина значения размера изображения. Для инструмента Классифицировать пикселы при помощи глубокого обучения, аргумент доступен только в архитектуре CycleGAN. Для инструмента Выявить объекты при помощи глубокого обучения аргумент доступен только для MaskRCNN. |