Detectar objetos de nube de puntos con modelo entrenado (Herramientas de 3D Analyst)

Resumen

Detecta los objetos capturados en una nube de puntos mediante un modelo de aprendizaje profundo.

Ilustración

Uso

• Esta herramienta requiere la instalación de Deep Learning Essentials, que proporciona múltiples soluciones de redes neuronales que incluyen arquitecturas neuronales para clasificar nubes de puntos.

  Para configurar su equipo para usar marcos de aprendizaje profundo en ArcGIS Pro, consulte Instalar marcos de aprendizaje profundo para ArcGIS.

• Los modelos de detección de objetos no requieren que se clasifique la nube de puntos de entrada. Sin embargo, la nube de puntos que se evaluará debe tener características similares a los datos de la nube de puntos utilizados para entrenar el modelo. Por ejemplo, un modelo de detección de objetos entrenado en una nube de puntos terrestres para clasificar automóviles sería adecuado para otra nube de puntos terrestres, pero puede que no funcione bien en una nube de puntos recopilados a partir de un estudio LIDAR aéreo.

• El modelo identifica una variedad de objetos, algunos de los cuales pueden superponerse. Para refinar estas detecciones, se utilizan dos umbrales clave: el umbral de puntuación de confianza y el umbral de superposición. La puntuación de confianza es un valor numérico entre 0,0 y 1,0 que indica la probabilidad de que un objeto se identifique correctamente. Una puntuación más alta implica una mayor certeza, y se puede establecer un umbral para filtrar las detecciones por debajo de un cierto nivel de confianza.

  En los casos en los que varios objetos similares tienen cuadros delimitadores superpuestos, el umbral de superposición se vuelve aún más importante. Esta medida utiliza la relación Intersección sobre combinación (IoU), que se calcula dividiendo el volumen de la intersección por el volumen de la combinación para los cuadros delimitadores superpuestos. Para los objetos cuya IoU supera el umbral de superposición, solo se conserva el que tiene la puntuación de confianza más alta. El algoritmo de supresión no máxima (NMS) se utiliza para garantizar que solo las detecciones más relevantes formen parte del resultado final.

• El parámetro Superficie de referencia es necesario cuando el modelo de entrada se ha entrenado con atributos de altura relativa. La superficie ráster se utiliza como altura de referencia a partir de la cual se interpolan las alturas relativas para cada punto. Esto proporciona información adicional para el modelo que puede utilizarse para diferenciar más fácilmente los objetos. La superficie ráster proporcionada para este parámetro debe representar el mismo tipo de datos que el ráster utilizado en los datos de entrenamiento con los que se creó el modelo. En la mayoría de los casos, se tratará de una trama creada a partir de puntos clasificados sobre el terreno. Se puede generar una superficie ráster a partir de los puntos clasificados del terreno en el dataset LAS aplicando un filtro de terreno y utilizando la herramienta De dataset LAS a ráster. También se puede generar una superficie de suelo a partir de una capa de escena de nube de puntos utilizando la herramienta Nube de puntos a ráster. También se pueden utilizar superficies ráster que no procedan de la nube de puntos de entrada, pero hay que asegurarse de que los valores z del ráster se correspondan adecuadamente con los valores z de la nube de puntos.

• Si el modelo de entrada se entrenó con puntos de ciertas clases que se excluyeron de los datos de entrenamiento, utilice el parámetro Códigos de clases excluidas para asegurarse de que esos puntos se omitan del conjunto de puntos evaluados por este modelo. Excluir las clases que no proporcionan un contexto útil para los objetivos de un modelo determinado reducirá el número de puntos que se evalúan, lo que mejorará la velocidad de entrenamiento y aplicación del modelo. Por ejemplo, los puntos que representan edificios no suelen tener relevancia para los puntos que representan objetos como semáforos, líneas eléctricas o coches. Los puntos de edificio también se pueden clasificar de forma fiable con la herramienta Clasificar edificios LAS. Si los puntos con clase 6, que representan edificios, se excluyeron de los datos de entrenamiento utilizados para crear el modelo, la nube de puntos de entrada también debe clasificar los puntos de edificios y excluirlos en esta herramienta.

Parámetros

• Dialog
• Python

Etiqueta	Explicación	Tipo de datos
Nube de puntos de entrada	La nube de puntos que se utilizará para detectar objetos.	LAS Dataset Layer
Definición de modelo de entrada	El modelo de detección de objetos que se utilizará. Se puede especificar un archivo de definición de modelo de Esri (.emd), un paquete de aprendizaje profundo (.dlpk) o un modelo de detección de objetos publicado desde ArcGIS Online o Portal for ArcGIS.	File; String
Objetos objetivo	Los objetos que se identificarán en la nube de puntos de entrada, junto con los valores de umbral de confianza y superposición que se utilizarán para aceptar los objetos detectados. Columnas de la tabla de valores: Object Code—The codes that represent the objects the model was trained to identify. Confidence—The confidence threshold for object recognition operates on a scale from 0.0 to 1.0. A higher value means that fewer objects will meet the criteria for being positively identified. Setting the threshold to 1.0 requires 100 percent certainty in the object's detection, effectively making it improbable for any object to be recognized. If you want to exclude a particular object from the output, set its confidence threshold to 1.0. Overlap—The overlap threshold provides a way to select the object that will be retained when multiple overlapping objects have been identified. The overlap threshold describes the ratio between the intersection and the union of overlapping bounding boxes. When multiple objects overlap and exceed the overlap threshold, the object with the higher confidence will be retained.	Value Table
Entidades del objeto de salida	Las entidades multiparche de salida que contendrán los cuadros de delimitación que rodean los objetos detectados a partir de la nube de puntos de entrada.	Feature Class
Tamaño de lote (Opcional)	La cantidad de bloques de la nube de puntos de entrada que se procesarán simultáneamente. Cuando no se proporcione ningún valor, se procesará un bloque a la vez.	Long
Límite de procesamiento	Entidad o entidades que definirán el área que se va a procesar.	Feature Layer
Superficie de referencia	La superficie ráster que se utilizará para calcular las alturas relativas de cada punto. Este parámetro es necesario cuando el modelo de entrada contiene el atributo de altura relativa, que indica que se entrenó utilizando una superficie ráster de altura de referencia.	Raster Layer
Clases excluidas	Los códigos de clase de la nube de puntos de entrada que se excluirán de los puntos que se procesan para detectar objetos. Si el modelo se entrenó omitiendo puntos de ciertos códigos de clase, los puntos de la nube de puntos de entrada deben tener la misma clase de objetos identificados y excluidos para obtener los mejores resultados.	Long

Entornos

Extensión, Tipo de procesador, Id. de GPU, Sistema de coordenadas de salida, Transformaciones geográficas

Información de licenciamiento

• Basic: Requiere 3D Analyst
• Standard: Requiere 3D Analyst
• Avanzado: Requiere 3D Analyst

Temas relacionados

• Descripción general del conjunto de herramientas Nube de puntos
• Buscar una herramienta de geoprocesamiento
• Preparar datos de entrenamiento de nube de puntos
• Extraer objetos de una nube de puntos
• Edificios multiparche LAS
• Extraer líneas eléctricas de la nube de puntos
• Extraer raíles de la nube de puntos