GCN 20190407

Transcript

1. 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
2. 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
3. 2013 年 GCN 研究会 ci.nii.ac.jp/naid/110009832027 3
4. 対象地域の千葉県では ⼟地被覆の変化が著しい 4
5. 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
6. 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
7. 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
8. 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
9. ⽤語の整理 https://blogs.nvidia.co.jp/2016/08/09/whats-difference-arti cial- intelligence-machine-learning-deep-learning-ai/ 9
10. ⽅法 10
11. 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
12. 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
13. 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
14. 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
15. ⼟地被覆の凡例 前述の材料をもとに，凡例を整備 15
16. 教師データの⼀部 16
17. 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
18. 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
19. 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
20. 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
21. GAN の流れ 21
22. 識別器が正解したとき 22
23. 識別器が間違えたとき 23
24. 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
25. 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
26. 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
27. 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
28. 結果（別画⾯） 28
29. 反復回数の検討 29
30. 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
31. 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
32. 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
33. 具体的な⼿順の紹介 https://kosame.net/post/tochibunrui （準備中） 33