Evaluar modelo de clasificación de nube de puntos (Herramientas de 3D Analyst)
Resumen
Evalúa la calidad de uno o varios modelos de clasificación de nube de puntos utilizando una nube de puntos bien clasificada como línea base para comparar los resultados de clasificación obtenidos en cada modelo.
Uso
Para obtener los mejores resultados de evaluación, la nube de puntos de referencia debe estar bien clasificada para los objetos de interés que se están evaluando.
Todos los modelos de entrada que se están evaluando deben tener los mismos códigos de clasificación. Si la nube de puntos de referencia no tiene códigos de clase cuyos valores o significado coincidan con las clases de los modelos que se están evaluando, utilice el parámetro Reasignación de clase de nube de puntos para designar la clasificación de la nube de puntos de referencia con los códigos en los modelos entrenados.
La arquitectura de aprendizaje profundo PointCNN se utiliza para crear el modelo de clasificación de nube de puntos. Esta arquitectura puede generar resultados ligeramente diferentes cuando se procesa el mismo conjunto de datos de entrada. Puede especificar el mismo modelo como entrada varias veces para evaluar la coherencia del resultado de clasificación a partir de la nube de puntos. Consulte PointCNN: convolución en los puntos transformados X para obtener más información sobre la posible variabilidad de los resultados de clasificación.
El proceso de evaluación creará varios archivos de salida en el valor del parámetro Carpeta de destino. El nombre de cada archivo empezará por el texto especificado en el valor del parámetro Nombre de base.
<base name>_ModelStatistics.csv—Una tabla en la que figura la exactitud general, la precisión, la recuperación y la puntuación F1 de cada modelo.
<base name>_ClassCodeStatistics.csv—Una tabla que resume los resultados de la evaluación correspondientes a exactitud, precisión, recuperación y puntuación F1 del código de clase.
<base name>_ConfusionMatrices.csv—Una tabla que resume cómo cada punto de cada código de clase en la nube de puntos de referencia se clasificó por los modelos de entrada. Además del número de positivos verdaderos y falsos positivos, esta tabla también identifica las clases en las que se produjeron los falsos positivos.
<base name>ConfusionMatrix<model number>.png—Una imagen que muestra un gráfico que proporciona una representación fácil de leer de la matriz de confusión para un modelo determinado.
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
| Etiqueta | Explicación | Tipo de datos |
|---|---|---|
|
Definición de modelo de entrada |
Los modelos de clasificación de nube de puntos y los tamaños de lote que se utilizarán durante el proceso de evaluación. Columnas de la tabla de valores:
|
Value Table |
|
Nube de puntos de referencia |
Nube de puntos que se usará para evaluar los modelos de clasificación. |
LAS Dataset Layer; File |
|
Carpeta de destino |
El directorio en el que se almacenarán los archivos que resumen los resultados de la evaluación. |
Folder |
|
Nombre base |
El prefijo del nombre de archivo que se utilizará para cada uno de los archivos de salida que resumen los resultados de evaluación. |
String |
|
Límite de procesamiento (Opcional) |
Entidad poligonal que delinea las partes de la nube de puntos de referencia que se utilizarán para evaluar los modelos de clasificación. |
Feature Layer |
|
Nueva representación cartográfica de clase de nube de puntos (Opcional) |
Los códigos de clase de la nube de puntos de referencia deben coincidir con los códigos de clase de los modelos que se están evaluando. Cuando los códigos de clase no coincidan, utilice este parámetro para asociar los códigos de clase diferentes en la nube de puntos a las clases que son compatibles con los modelos que se están evaluando. Columnas de la tabla de valores:
|
Value Table |
|
Superficie de referencia (Opcional) |
Superficie ráster que se utilizará para proporcionar valores de altura relativos para cada punto de los datos de nube de puntos. Los puntos que no se solapen con el ráster se omitirán del análisis. |
Raster Layer |
|
Códigos de clase excluidos (Opcional) |
Códigos de clase que se excluirán del procesamiento. Se puede especificar cualquier valor del intervalo de 0 a 255. |
Long |
Salida derivada
| Etiqueta | Explicación | Tipo de datos |
|---|---|---|
|
Matrices de confusión de salida |
Tabla de formato CSV que almacena la matriz de confusión de cada código de clase en cada modelo de entrada. |
Text File |
|
Estadísticas de modelo de salida |
Tabla de formato CSV que resume las estadísticas generales de los modelos de entrada. |
Text File |
|
Estadísticas de código de clase de salida |
Tabla de formato CSV que resume las estadísticas de cada código de clase en cada modelo de entrada. |
Text File |
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