Bereits vortrainierte Deep Learning–Modelle können einen dankbaren Einstieg in die komplexe Thematik GeoAI darstellen und viel Ressourcen sparen. In diesem Blogartikel der mehrteiligen Reihe „Vortrainierte Deep Learning–Modelle mit ArcGIS“ erhalten Sie eine Einführung und einen Überblick.

Künstliche Intelligenz oder auch GeoAI ist zurzeit in aller Munde und kann in vielen Themenbereichen angewendet werden. Besonderen Mehrwert bietet hierbei die Analyse unstrukturierter Daten wie Fotos, Videos oder Texten mit Deep Learning Algorithmen, da diese Tätigkeiten zeitintensiv sind, hohen manuellen Aufwand erfordern, oft aber automatisiert werden können.

Was verstehen wir nochmal unter Künstlicher Intelligenz?

Mit Künstlicher Intelligenz (KI) werden Technologien beschrieben, mit denen Computer menschliche Fähigkeiten wie das Sehen, Hören, Analysieren und Interpretieren unterstützen können. In den allermeisten Fällen ist Maschinelles Lernen (ML) gemeint, wenn über KI gesprochen wird. Dabei stellt ML einen Teilbereich der KI dar und viele sind in den ArcGIS Tools implementiert.

Deep Learning wiederum ist eine Methodik des Maschinellen Lernens und bezeichnen Deep Neural Networks also „tiefe“ neuronale Netze, welche ihren Namen aufgrund ihrer Struktur haben. Sie enthalten mehrere Ebenen, die über gewichtete „Neuronen“ verknüpft, und so in ihrer Funktionsweise dem menschlichen Gehirn nachempfunden sind. Externe Deep Learning Algorithmen und Frameworks können in das ArcGIS System integriert werden.

Um Deep Learning Modelle nutzen zu können, bedarf es einen für das maschinellen Lernen typischen Workflow, welcher sich gut in ein Geografisches Informationssystem (GIS) einbetten lässt. Dieser wird in diesem Blogartikel „GeoAI: Deep Learning Integration in ArcGIS Pro für Imagery“ genauer beschrieben.

Prinzipiell ist der Prozess des Trainierens eines Modells rechenintensiv und verbraucht dadurch viel Energie. Für Fragestellungen, die sich wiederholen, ist die Verwendung von vortrainierten Modellen eine dankbare Lösung. Vortrainierte Modelle werden im ArcGIS System als dlpk-file abgespeichert und sind somit austauschbar. Die Modelle können in ArcGIS Pro mit den DL – Tools auf neue Daten angewendet werden und Programmierkenntnisse sind somit nicht nötig.

Es besteht auch die Möglichkeit, Modelle nach zu trainieren. Dies kann ein Modell verbessern und auch robuster gegenüber Unterschieden von Sensoren, der Auflösung oder auch regionale Unterschiede machen.

Esri Inc. bietet im Living Atlas eine wachsende Anzahl an kostenlosen und vortrainierten Modellen zur Auswahl an. Die Zeitersparnis bei der Verwendung eines vortrainierten Modells ist erheblich und ist zudem eine charmante Möglichkeit, sich der Thematik Deep Learning anzunähern.

Abbildung 1: Suchergebnisse für dlpk-Dateien im Living Atlas

In den Elementdetails sind alle notwendigen Informationen zu den Modellen zusammengestellt. Es ist ratsam sich zunächst mit folgenden Fragen auseinander zu setzen, um sich mit der Thematik vertraut zu machen:

  • Welche Modell-Architektur wurde verwendet?
  • Auf welche Daten ist das Modell trainiert worden?
  • Wie ist die spektrale und räumliche Auflösung dieser Daten?
  • Wo wurde das Modell trainiert? Ist eine räumliche Übertragung denkbar?
  • Welche Genauigkeit wird für das Modell angegeben? Wie verteilt sich diese über evtl. vorhandene Klassen?
  • Welcher Datensatz wird für das Modell als Input benötigt?

Das Modell kann über den Browser, über das Katalog-Fenster in ArcGIS Pro oder aber direkt in ArcGIS Online bzw. ArcGIS Enterprise bezogen werden. In der Elementbeschreibung ist das Werkzeug zur Ausführung gelistet. Die Werkzeuge zur Objektdetektierung oder Klassifizierung mit Deep Learning–Methoden sind Bestandteil der Image Analyst Erweiterung. Sobald das zu analysierende Raster und die Modell-Definitionsdatei hinzugefügt sind, können Einstellungen an den Hyperparametern vorgenommen werden. Diese sind abhängig von dem trainierten Modell. Die Dauer der Bearbeitungszeit ist maßgeblich von der Leistungsfähigkeit des durchzuführenden Rechners abhängig und kann dementsprechend variieren. Generell ist eine GPU empfehlenswert.

Abbildung 2: Werkzeug zur Pixelklassifizierung mit Deep Learning

Wie einfach die Anwendung eines vortrainierten Modells aus dem Living Atlas ist, zeigt folgendes Video.

Animation: Anwendung eines vorbereiteten Deep Learning-Paketes in ArcGIS Pro.

Weiterführende Links zum Thema finden Sie hier: