Upgrade to Pro — share decks privately, control downloads, hide ads and more …

[FOSS4G 2016 Tokyo] Deep Learning with FOSS4G

[FOSS4G 2016 Tokyo] Deep Learning with FOSS4G

★ この資料は FOSS4G 2016 Tokyo の登壇発表資料です ★

AI×GISの事例として、「古地図自動分類」「Deep Prednet を用いた地震波形推測」の2つの取り組みをご紹介します。

発表者:中洞 友希(株式会社ノーザンシステムサービス 研究開発部)

More Decks by ノーザンシステムサービス | Northern System Services

Other Decks in Technology

Transcript

  1. 古地図の自動分類 ・畳み込みニューラルネットワーク (CNN)で実装 ・ Googleの機械学習ライブラリ TensorFlowを使用 ・ハイパースペクトルの航空写真か ら土地を分類するプログラムをもと に作成 (https://github.com/KGPML/Hyperspectral)

    水田や市街地といった特徴がわかりやすい ところは精度が良さそう。 畑又は空地といったほぼ空白の部分は難しそう。 当初の予想 水田 市街地 畑又は空地
  2. 古地図の自動分類 畳み込みニューラルネットワークの構成 出力サイズ 層 ニューロン数 フィルターサイズ 37x37x3 入力 37x37x500 畳み込み層

    500 5x5 19x19x500 プーリング層 2x2 19x19x300 畳み込み層 300 5x5 10x10x300 プーリング層 2x2 10x10x100 畳み込み層 100 3x3 4096 全結合層 4096 2048 全結合層 2048 1024 全結合層 1024 Softmax層
  3. ・360 × 180pxの画像を作成し、世界地図に見立てる ・観測点(ステーション)の緯度経度の小数点を切り捨てて 画像のX,Yに1pxとしてプロット ・各地点のカラーは以下のようにする R: 地震波のデータ(0~255) G: マグニチュード(0~255)

    B: 震源の深さ(0~255) ・地震波形のデータは1秒間に数件あったため、平均して1 秒当たりの値を算出 ・カラーはそれぞれのデータの最小値と最大値から等間隔 に256分割して0~255の輝度値として使用 手法