deep learningで地図を作ってみた！
TRANSCRIPT
1
ESJ64 W11 ・ 5 分で自分をアピール！ 生態学ライトニングトーク＠東京
Deep Learning で地図を作ってみた！
いわさきのぶすけ
2
過去の土地利用と生物多様性生態学で地図大事だよね！！
http://www.esj.ne.jp/meeting/abst/63/P1-333.html
3
過去の土地利用と生物多様性生態学で地図大事だよね！！
(Koyanagi, 2009) Historical impacts on linear habitats: The present distribution of grassland species in forest-edge vegetation
4
とうことで、みんな地図を作ろう！生態学で地図大事だよね！！
• デジタイザーへのみち！！–スキャン、幾何補正、デジタイズ
http://old.osgeo.jp/wp-content/uploads/2010/03/esj75_iwasaki.pdf
5
やった人は知っている生態学で地図大事だよね！！
• めんどくさい orz...–または修行の道、無我の境地、
6
画像だったら Deep Learning があるじゃないか！
• 人工知能にまかせて、俺様らくちん！
そうだ、 Deep Learning でいこう！！
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
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
8
データは地図タイルで！
• 既に膨大な量のデータが存在する–一回作れば、他のデータにも応用可能！！
そうだ、 Deep Learning でいこう！！
http://maps.gsi.go.jp/development/siyou.html
地図タイルの概念図http://hoge.hoge/{z}/{x}/{y}.{ext} で指定される
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
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
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%
11
全体分類結果
• 正解率は 75% ！– ちょっと低いが傾向は分かる
• 何より 1 日で分類できる！– デジタイジングだと一ヵ月！！
そうだ、 Deep Learning でいこう！！
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！
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
TileMap-WebGIS
14
おまけ
• 新しいフレームワークでやったら、もっと精度がよかった orz...– こちらは pix2pix というフレームワーク
• https://phillipi.github.io/pix2pix/– ○○ 万円だして数か月かかったのに…
• http://qiita.com/wayama_ryousuke/items/ca43cabffde90a66434b
そうだ、 Deep Learning でいこう！！
元画像 正解 CNN pix2pix
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！！
Deep Learning で地図を作ってみた！