Deep Learningを使って衛星画像に写った船を認識してみた

はじめに

データセット

ライブラリの準備

import json
import numpy as np
from PIL import Image, ImageDraw
from matplotlib import pyplot as plt
import pandas as pd

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.utils import np_utils
import keras

データセットの確認

f = open('../input/shipsnet.json')
dataset = json.load(f)
f.close()

input_data = np.array(dataset['data']).astype('uint8')
output_data = np.array(dataset['labels']).astype('uint8')

# check data of content
print('Total number of images : {}'.format(len(input_data)))
print('Number of NoShipe images : {}'.format(np.sum(output_data==0)))
print('Number of Ship images : {}'.format(np.sum(output_data==1)))
print('Image shape : {}'.format(input_data.shape[1]))

データセットの準備

データセットを整形し、”船”か”船無し”のカテゴリデータに対するワンホットベクトル化します。

# reshape data
num_classes = 2
n_spectrum = 3 #color channel (RGB)
weight = 80
height = 80

# reshape input_data
X = input_data.reshape([-1, n_spectrum, weight, height]).transpose([0,2,3,1])
print(X.shape)

# label to categorize (one hot vector)
y = np_utils.to_categorical(output_data, num_classes)
print(y.shape)

# shuffle all indexes
indexes = np.arange(4000)
np.random.shuffle(indexes)

#Shuffling Images and Labels by same shuffled index
X = X[indexes]
y = y[indexes]

イメージの確認

イメージの確認をします。

plt.figure(figsize=(20,10))
for i in range(5):
    plt.subplot(1,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(X[i].reshape(80, 80, 3), cmap=plt.cm.binary)

データの前処理

データの規格化を行い、ホールドアウト法でトレーニング用とテスト用に8：2に分割します。

# normalization
X = X/255

# hold out
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,
                                                    y,
                                                    test_size=0.20,
                                                    random_state=1)

CNNモデルの定義

畳み込みステップの後、活性化関数としてReLU（Rectified Linear Unit）を用いています。

また、出力層の活性化関数にはソフトマックス関数を用いています。

# model set up
model = Sequential()
model.add(Conv2D(32, (3, 3), padding='same', input_shape=(80, 80, 3)))
model.add(Activation('relu'))
model.add(Conv2D(32, (3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))
model.add(Activation('softmax'))

CNNの学習

# optimization set up
opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

# training
history = model.fit(X_train, y_train, batch_size=32, epochs=20)

# evaluation
scores = model.evaluate(X_test, y_test, verbose=1)
print('Test Loss : ', scores[0])
print('Test Accuracy : ', scores[1])