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

GCN 20190407

3b45d2bf080b6f9626a7e601d6fdc1eb?s=47 yu.kosame
April 07, 2019
140

GCN 20190407

3b45d2bf080b6f9626a7e601d6fdc1eb?s=128

yu.kosame

April 07, 2019
Tweet

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