深度学习参数

获得 Image Analyst 许可后可用。

参数是控制如何训练和使用深度学习模型的多种方法之一。 以下第一个表列出了训练深度学习模型支持的模型参数。 第二个表列出了控制如何使用深度学习模型进行推断的参数。

训练参数

训练深度学习模型工具中提供了以下参数，用于训练深度学习模型。 这些参数将有所不同，具体取决于模型架构。 可以更改这些参数的值来训练模型。

模型类型	参数	有效值
变化检测器（像素分类）	attention_type	PAM（金字塔注意事项模块）或 BAM（基本注意事项模块）。
	chip_size	介于 0 和图像大小之间的整数。
	monitor	valid_loss、precision、recall 和 f1。
ConnectNet（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	gaussian_thresh	0.0 至 1.0。 默认值为 0.76。
	monitor	valid_loss、accuracy、miou 和 dice。
	mtl_model	linknet 或 hourglass。
	orient_bin_size	正数。 默认值为 20。
	orient_theta	正数。 默认值为 8。
DeepLabv3（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	class_balancing	true 或 false。
	focal_loss	true 或 false。
	ignore_classes	有效类值。
	monitor	valid_loss 和 accuracy。
	mixup	true 或 false。
图像标题生成器（影像转换）	chip_size	介于 0 和图像大小之间的整数。
	decode_params 参数由以下六个参数组成： embed_size hidden_size attention_size teacher_forcing dropout pretrained_emb	默认值为 {'embed_size':100, 'hidden_size':100, 'attention_size':100, 'teacher_forcing':1, 'dropout':0.1, 'pretrained_emb':False}。
	monitor	valid_loss、accuracy、corpus_bleu 和 multi_label_fbeta。
MMDetection（对象检测）	chip_size	介于 0 和图像大小之间的整数。
	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 和 vfnet。
	model_weight	true 或 false。
MMSegmentation（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	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 和 upernet。
	model_weight	true 或 false。
多任务道路提取器（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	gaussian_thresh	0.0 至 1.0。 默认值为 0.76。
	monitor	valid_loss、accuracy、miou 和 dice。
	mtl_model	linknet 或 hourglass。
	orient_bin_size	正数。 默认值为 20。
	orient_theta	正数。 默认值为 8。
金字塔场景解析网络（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	class_balancing	true 或 false。
	focal_loss	true 或 false。
	ignore_classes	有效类值。
	monitor	valid_loss 或 accuracy。
	mixup	true 或 false。
	pyramid_sizes	[卷积层 1, 卷积层 2, ... , 卷积层 n]
	use_net	true 或 false。
RetinaNet（对象检测）	chip_size	介于 0 和图像大小之间的整数。
	monitor	valid_loss 或 average_precision。
	ratios	比率值 1、比率值 2、比率值 3。 默认为 0.5,1,2。
	scales	[比例值 1, 比例值 2, 比例值 3] 默认为 [1, 0.8, 0.63]。
单帧检测器（对象检测）	chip_size	介于 0 和图像大小之间的整数。
	grids	大于 0 的整数值。
	monitor	valid_loss 或 average_precision。
	ratios	[水平值, 垂直值]
	zooms	缩放值，其中 1.0 为正常缩放。
U-Net（像素分类）	chip_size	介于 0 和图像大小之间的整数。
	class_balancing	true 或 false。
	focal_loss	true 或 false。
	ignore_classes	有效类值。
	monitor	valid_loss 或 accuracy。
	mixup	true 或 false。

推断参数

以下参数可用于控制如何训练深度学习模型进行推断。 模型定义参数中的信息将用于填充推断工具中的参数。 这些参数将有所不同，具体取决于模型架构。 ArcGIS 预训练模型和自定义深度学习模型可能具有该工具支持的其他参数。

参数	推断类型	有效值
batch_size	分类对象 分类像素 检测变化 检测对象	大于 0 的整数值；通常为整数幂 2^n。
direction	分类像素	可用选项为 AtoB 和 BtoA。 此参数仅适用于 CycleGAN 架构。
exclude_pad_detections	检测对象	true 或 false。 此参数仅适用于 SSD、RetinaNet、YOLOv3、DETReg、MMDetection 和 Faster RCNN。
merge_policy	分类像素 检测对象	可用选项为 mean、max 和 min。 对于使用深度学习分类像素工具，此参数适用于 MultiTaskRoadExtractor 和 ConnectNet 架构。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 对于使用深度学习检测对象工具，此参数仅适用于 MaskRCNN。
nms_overlap	检测对象	介于 0.0 到 1.0 之间的浮点值。 默认值为 0.1。
output_classified_raster	检测对象	输出分类栅格的文件路径和名称。 此参数仅适用于 MaXDeepLab。
padding	分类像素 检测变化 检测对象	大于 0 且小于切片大小值一半的整数值。
predict_background	分类像素	true 或 false。 此参数适用于 UNET、PSPNET、DeepLab 和 MMSegmentation。
return_probability_raster	分类像素	true 或 false。 如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。
score_threshold	分类对象	0 至 1.0。
test_time_augmentation	分类对象 分类像素	true 或 false。
threshold	分类像素 检测对象	0 至 1.0。 对于使用深度学习分类像素工具，如果模型的 .emd 文件中的 ArcGISLearnVersion 为 1.8.4 或更高版本，则 MultiTaskRoadExtractor 和 ConnectNet 架构适用。 如果 ArcGISLearnVersion 为 1.8.4 或更高版本，并且 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构同样适用。 对于使用深度学习检测对象工具，此参数适用于所有模型架构。
thinning	分类像素	true 或 false。 如果 IsEdgeDetection 存在于模型的 .emd 文件中，则 BDCNEdgeDetector、HEDEdgeDetector 和 MMSegmentation 架构适用。
tile_size	分类像素 检测对象	大于 0 且小于图像大小的整数值。 对于使用深度学习分类像素工具，此参数仅适用于 CycleGAN 架构。 对于使用深度学习检测对象工具，此参数仅适用于 MaskRCNN。