Évaluer le modèle de classification du nuage de points (Outils 3D Analyst)
Résumé
Évalue la qualité d’un ou de plusieurs modèles de classification de nuage de points à l’aide d’un nuage de points correctement classé, faisant office de point de comparaison pour les résultats de la classification obtenus à partir de chaque modèle.
Utilisation
Pour obtenir les meilleurs résultats d’évaluation possibles, le nuage de points de référence doit être correctement classé pour les objets d’intérêt à évaluer.
Les codes de classification doivent être les mêmes pour tous les modèles en entrée à évaluer. Si le nuage de points de référence ne contient aucun code de classe dont les valeurs ou la signification correspondent aux classes des modèles à évaluer, utilisez le paramètre Point Cloud Class Remap (Réappariement de classes du nuage de points) pour indiquer la classification du nuage de points de référence avec les codes des modèles entraînés.
L’architecture de Deep Learning PointCNN permet de créer le modèle de classification du nuage de points. Cette architecture peut générer des résultats légèrement différents lors du traitement du même jeu de données en entrée. Vous pouvez spécifier le même modèle en entrée plusieurs fois pour évaluer la cohérence du résultat de classification du nuage de points. Consultez l’article [PointCNN: Convolution On X-Transformed Points] (https://arxiv.org/abs/1801.07791) pour en savoir plus sur la variation potentielle des résultats de classification.
Le processus d’évaluation crée plusieurs fichiers en sortie dans la valeur de paramètre Target Folder (Dossier cible). Le nom de chaque fichier commence par le texte spécifié dans la valeur de paramètre Base Name (Nom de base).
<base name>_ModelStatistics.csv—Table qui répertorie l’exactitude, la précision, le rappel et le score F1 de chaque modèle.
<base name>_ClassCodeStatistics.csv—Table qui récapitule les résultats de l’évaluation pour l’exactitude, la précision, le rappel et le score F1 de chaque code de classe.
<base name>_ConfusionMatrices.csv—Table qui récapitule la manière dont les modèles en entrée ont classé chaque point de chaque code de classe du nuage de points de référence. Outre le nombre de vrais positifs et de faux positifs, cette table identifie également les classes dans lesquelles les faux positifs se sont produits.
<base name>ConfusionMatrix<model number>.png—Image qui présente un diagramme donnant une représentation facile à lire de la matrice de confusion d’un modèle donné.
Le paramètre Reference Surface (Surface de référence) est requis si le modèle en entrée a été entraîné avec des attributs de hauteur relative. La surface raster est utilisée comme hauteur de référence à partir de laquelle des hauteurs relatives sont interpolées pour chaque point. Cela offre au modèle des informations supplémentaires qui peuvent être utilisées pour différencier plus facilement les objets. La surface raster fournie pour ce paramètre doit représenter le même type de données que le raster utilisé dans les données d’entraînement ayant créé le modèle. Dans la plupart des cas, il s’agit d’un raster créé à partir des points classés comme terrestres. Une surface raster peut être générée à partir des points classés comme terrestres du jeu de données LAS en appliquant un filtre de sol et en utilisant l’outil LAS Dataset To Raster (Jeu de données LAS vers raster). Une surface au sol peut également être générée à partir d’une couche de scène de nuage de points avec l’outil Point Cloud To Raster (Nuage de points vers raster). Les surfaces raster qui ne proviennent pas du nuage de points en entrée peuvent également être utilisées, mais vous devez vous assurer que les valeurs z dans le raster correspondent correctement aux valeurs z dans le nuage de points.
Si le modèle en entrée a été entraîné avec des points de certaines classes exclues des données d’entraînement, utilisez le paramètre Excluded Class Codes (Codes de classe exclus) pour vous assurer que ces points sont omis de l’ensemble des points évalués par ce modèle. Exclure les classes qui ne fournissent pas de contexte utile pour les objectifs d’un modèle donné permet de réduire le nombre de points évalués, ce qui améliore la vitesse d’entraînement et l’application du modèle. Par exemple, les points représentant des bâtiments ne sont généralement pas pertinents pour les points qui représentent des objets tels que les feux de circulation, les lignes électriques ou les voitures. Les points de bâtiments peuvent également être classés de manière fiable à l’aide de l’outil Classify LAS Building (Classer des bâtiments LAS). Si des points de classe 6, qui représentent des bâtiments, ont été exclus des données d’entraînement utilisées pour créer le modèle, le nuage de points en entrée doit également classer les points de bâtiments et ces derniers doivent être exclus de cet outil.
Paramètres
| Etiqueter | Explication | Type de données |
|---|---|---|
|
Définition de modèle en entrée |
Modèles de classification de nuage de points et tailles de lot utilisés pendant l’évaluation. Colonnes de la table de valeurs :
|
Value Table |
|
Nuage de points de référence |
Nuage de points utilisé pour évaluer les modèles de classification. |
LAS Dataset Layer; File |
|
Dossier cible |
Répertoire contenant les fichiers qui récapitulent les résultats de l’évaluation. |
Folder |
|
Nom de base |
Préfixe de nom de fichier utilisé pour chacun des fichiers en sortie récapitulant les résultats de l’évaluation. |
String |
|
Limite de traitement (Facultatif) |
Entité surfacique qui délimite les parties du nuage de points de référence à utiliser pour évaluer les modèles de classification. |
Feature Layer |
|
Réappariement de classes du nuage de points (Facultatif) |
Les codes de classe provenant du nuage de points de référence doivent correspondre aux codes de classe des modèles à évaluer. Lorsque les codes de classe ne correspondent pas, utilisez ce paramètre pour associer les codes de classe qui diffèrent dans le nuage de points aux classes prises en charge dans les modèles à évaluer. Colonnes de la table de valeurs :
|
Value Table |
|
Surface de référence (Facultatif) |
La surface raster sera utilisée pour attribuer des valeurs de hauteur relative à chaque point dans les données du nuage de points. Les points qui ne sont pas superposés au raster seront exclus de l’analyse. |
Raster Layer |
|
Codes de classe exclus (Facultatif) |
Codes de classe qui seront exclus du traitement. Vous pouvez spécifier toute valeur comprise entre 0 et 255. |
Long |
Sortie dérivée
| Etiqueter | Explication | Type de données |
|---|---|---|
|
Matrices de confusion en sortie |
Table au format CSV qui contient la matrice de confusion pour chaque code de classe de chaque modèle en entrée. |
Text File |
|
Statistiques de modèle en sortie |
Table au format CSV qui récapitule les statistiques globales des modèles en entrée. |
Text File |
|
Statistiques de code de classe en sortie |
Table au format CSV qui récapitule les statistiques pour chaque code de classe de chaque modèle en entrée. |
Text File |
Environnements
Etendue, Type de processeur, ID GPU, Système de coordonnées en sortie, Transformations géographiques
Informations de licence
- Basic: Nécessite 3D Analyst
- Standard: Nécessite 3D Analyst
- Advanced: Nécessite 3D Analyst