Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
GCN 20190407
Search
yu.kosame
April 07, 2019
0
180
GCN 20190407
yu.kosame
April 07, 2019
Tweet
Share
More Decks by yu.kosame
See All by yu.kosame
航空写真や衛星写真を使い倒そう! QGIS ハンズオン
yukosame
1
1.1k
QGIS 初級 - オープンデータで地図を作ろう & QGIS 3D 体験
yukosame
1
1.6k
一般を対象とした「QGIS 活用講座」の 実践と考察
yukosame
0
410
Featured
See All Featured
Thoughts on Productivity
jonyablonski
58
3.8k
Debugging Ruby Performance
tmm1
70
11k
Atom: Resistance is Futile
akmur
259
25k
Building Your Own Lightsaber
phodgson
99
5.7k
No one is an island. Learnings from fostering a developers community.
thoeni
16
2.1k
WebSockets: Embracing the real-time Web
robhawkes
59
7k
The World Runs on Bad Software
bkeepers
PRO
61
6.7k
It's Worth the Effort
3n
180
27k
Clear Off the Table
cherdarchuk
84
310k
Designing with Data
zakiwarfel
96
4.8k
A designer walks into a library…
pauljervisheath
200
23k
How To Stay Up To Date on Web Technology
chriscoyier
782
250k
Transcript
深層学習による空中写真を対象とし た⼟地被覆分類の試み 今井 優(⽴正⼤学・外部研究員) 2019.04.07 地域⾃然情報研究会
⾃⼰紹介 名前:今井 優(いまい ゆう) ⽴正⼤学 地球環境科学部 外部研究員 国際 ICT 利⽤研究学会
評議員 千葉県⽴中央博物館 共同研究員 会員:GCN ,⽇本⽣態学会,⽇本⿃学会 等 会社員(朝⽇航洋株式会社 G 空間研究所) オープンソース GIS 「QGIS 」の研修等に従事 好きな⽣き物 コサメビタキ,ゴイサギ,ブナ など 更新してない Web ページ:kosame.net 2
2013 年 GCN 研究会 ci.nii.ac.jp/naid/110009832027 3
対象地域の千葉県では ⼟地被覆の変化が著しい 4
⼟地被覆の変化 と ⽣物のモニタリング情報を 照合すれば,⼀つの年代での解析よりも よりクリティカルに, 個体数変化の要因や⽣息条件を明確にできそう ▼ しかし,毎年分の空中写真を判読するのは 労⼒と時間がかかる ▼
⾃動で分類できないだろうか? 5
空中写真分類のこれまでの経緯: RGB 値で緑地抽出(2011 年頃) 空中写真から都市残存林を抽出するために C# でRGB 値 が緑のピクセルを抽出し, ベクタデータに変換
ピクセルの⽳を埋めるのが⼤変だった 空中写真の⾊合いで微調整が必要だった 6
オブジェクト分類(2014 年頃) GRASS GIS の i.segment で教師無し分類を試した パラメータの調整に試⾏錯誤が必要 しきい値を増やすと影なども拾ってしまい, 減らすと,植⽣の境界で分割されない
GRASS のベクタ加⼯は優秀でラスタ由来の ギザギザベクタを何とかできそうなことを知る 7
近年(ここ2, 3 年) 近年, さまざまな分野で深層学習が活躍している 空中写真の⼟地被覆分類にも使えるかも ▼ 深層学習で空中写真を⼟地被覆に⾃動で分類 することを試みた 注意;現時点の成果はあまりよくありません。⼿順と結果をできる
だけ詳細に紹介するので,それをもとに議論できたら幸いです。 8
⽤語の整理 https://blogs.nvidia.co.jp/2016/08/09/whats-difference-arti cial- intelligence-machine-learning-deep-learning-ai/ 9
⽅法 10
⽅法(概略) 教師データ 1. 変換元の空中写真:地理院タイル(写真) 2. 正解画像の⼟地被覆: 環境省 植⽣調査の成果 国⼟地理院 基盤地図情報の建築物,道路縁,⽔域
対象地域・サンプリング 関東地⽅の平地から丘陵部にかけての 北緯 139 - 139.5 度 , 東経 35.8333 - 36.4167 度の範囲からランダムで 22,729 区画抽出し,4:1:1 の割合で学習 ⽤、テスト⽤、評価⽤に分割 11
変換元の空中写真 国⼟地理院 地理院タイル(写真) ズームレベル:18 を使⽤ 256 × 256px でタイル状に細かく分割された画像 レベル18
だと 1 ピクセル = 約 0.5m 四⽅,1 画像 = 約 125m 四⽅ https://maps.gsi.go.jp/development/ichiran.html#seamlessphoto 12
正解画像の材料 - 1 環境省 第6 ・7 回⾃然環境保全基礎調査 植⽣調査 を再分類 http://gis.biodic.go.jp/webgis/sc-023.html
13
正解画像の材料 - 2 国⼟地理院 基盤地図情報 基本項⽬ 建築物,道路縁,⽔域 https://fgd.gsi.go.jp/download/ref_kihon.html 14
⼟地被覆の凡例 前述の材料をもとに,凡例を整備 15
教師データの⼀部 16
⽅法(概略) 教師データ 1. 変換元の空中写真:地理院タイル(写真) 2. 正解画像の⼟地被覆: 環境省 植⽣調査の成果 国⼟地理院 基盤地図情報の建築物,道路縁,⽔域
対象地域・サンプリング 関東地⽅の平地から丘陵部にかけての 北緯 139 - 139.5 度 , 東経 35.8333 - 36.4167 度の範囲からランダムで 22,729 区画抽出し,4:1:1 の割合で学習 ⽤、テスト⽤、評価⽤に分割 17
モデル構築 汎⽤画像変換プログラム「pix2pix 」 pix2pix demo で検索;af nelayer.com/pixsrv/ 18
pix2pix 敵対的⽣成ネットワーク(GAN )の技術を利⽤ CNN の⼀種 U-Net を採⽤ 識別器には⼀定のパッチ単位で識別する patchGAN を採⽤
19
GAN 敵対的⽣成ネットワーク(GAN: Generative Adversarial Network ) ⽣成器 generator と識別器 discriminator
から 構成されるモデル⽣成のための枠組み 20
GAN の流れ 21
識別器が正解したとき 22
識別器が間違えたとき 23
識別器の⽅も強化していく この流れを繰り返しモデルの精度をあげていく 枠組みが GAN (余談:共進化と似ている) 24
pix2pix 敵対的⽣成ネットワーク(GAN )の技術を利⽤ CNN の⼀種 U-net を採⽤ 識別器には⼀定のパッチ単位で識別する patchGAN を採⽤
25
CNN 畳み込みニューラルネットワーク( CNN: Convolutional neural network ) 画像認識が得意 U-net CNN
の⼀種 CNN の性質上境界があいまいになるのを防ぐ セグメンテーションが得意 26
pix2pix の実⾏ batchsize : 4 反復回数は 1, 10, 20, 50(,
100) の中から 最適な回数を検討 27
結果(別画⾯) 28
反復回数の検討 29
20( - 50) 回くらいが適切と判断した それ以上は過学習の発⽣がみられた 30
出⼒画像の再分類 出⼒画像 → 再分類画像 pix2pix の⽋点 ラベル画像を返せない よかれと思ってグラデーションな画像を返す 31
分類結果と教師画像の⽐較 モデル構築に使⽤していない画像に対して モデルを適⽤しランダム地点で予測/ 教師を⽐較 総合的な正解率 Overall accuracy: 54.4 % 教師データが多い凡例ではやや正解率が⾼い
教師データを増やすことで改善につながる? 32
具体的な⼿順の紹介 https://kosame.net/post/tochibunrui (準備中) 33