More Related Content
More from IWASAKI NOBUSUKE (20)
Deep Learningで地図を作ってみた!
- 7. ちょっと真面目にDeep Learningの説明
• 多層構造のニューラルネットワーク
– 特徴量の自動抽出がキモ!
• ニューラルネットが人工知能
• 今回はCNNを使用
– 畳み込みニューラルネットワーク
7そうだ、Deep Learningでいこう!!
http://www.kantei.go.jp/jp/singi/titeki2/tyousakai/kensho_hyoka_kikaku/2017/johozai/dai3/sankou1.pdf
- 9. データは地図タイルで!
• 同じ場所のデータをさくっと取れる!
– 15/29101/12900.{ext}の例
9そうだ、Deep Learningでいこう!!
https://cyberjapandata.gsi.go.jp/xyz/std/15/29101/12900.png
http://www.finds.jp/ws/tmc/1.0.0/Kanto_Rapid-900913-L/15/29101/12900.png
https://cyberjapandata.gsi.go.jp/xyz/ort/15/29101/12900.jpg
http://map.ecoris.info/tiles/vege67hill/15/29101/12900.png
地理院タイル標準地図 地理院タイル空中写真
迅速測図 エコリス地図タイル植生
- 10. ざっくり分類結果!
• だいたい良い感じ!
– ただしチューニングは必要。
– ここが名人芸
10そうだ、Deep Learningでいこう!!
(a)入力画像 (b)正解画像
(c)当初の分類結果
精度:46%
(d)現在の分類結果
精度:76%
(a)入力画像 (b)正解画像
(c)当初の分類結果
精度:53%
(d)現在の分類結果
精度:84%
(a)入力画像 (b)正解画像
(c)当初の分類結果
精度:24%
(d)現在の分類結果
精度:52%
- 12. その他にも応用できるんじゃね?
• たとえば
– 特徴的な植生の抽出
– 生物の生息域予測etc…
• みんなタイルにしてアップすれば共有も!
12そうだ、Deep Learningでいこう!!
http://map.ecoris.info/tiles/vege67/15/29099/12839.png
https://cyberjapandata.gsi.go.jp/xyz/ort/15/29099/12839.jpg
- 13. 地図タイルベースのWebGIS
• Deep Learning以外にも使えるはず
– for ex. Leaflet版CS立体図
• https://frogcat.github.io/csmap/
– 利点
• GISのワークフローの劇的な改善
– 前処理が効率化できる
• 開発した手法の汎用的に使える
– データがタイルになっていればいい
• 既に様々なリソースがある
– 地理院タイル、OSM、川だけ地図、迅速測図、etc…
– 欠点
• 特に、高緯度での定量的評価
13TileMap-WebGIS
- 15. まとめ
• 生態学でも地図重要
– 過去の環境が現在の現象に影響
• 地形図から土地利用図を作る
– が、めんどくさい
• Deep Learningでやってみた!
– まぁ精度が出た。これからはタイルの時代?
• 進歩が早いので、良いものがすぐ出る!
– 逆に投資が無駄になることにも・・・。
• ころんでも泣かない!!
15Deep Learningで地図を作ってみた!