トレーニング済みモデルを使用した点群の分類 (3D Analyst ツール)
サマリー
ディープ ラーニング モデルを使用して点群を分類します。
使用法
このツールには、ディープ ラーニング フレームワークのインストールが必要です。
ArcGIS Pro のディープ ラーニング フレームワークを使用するようにコンピューターを設定するには、ArcGIS 用のディープ ラーニング フレームワークのインストール をご参照ください。
このツールは、デフォルトで、すべてのポイントを入力点群に分類します。 入力点群の既存のクラス コードが適切に分類される場合は、既存のクラス コードの処理 および 既存のクラス コード パラメーターを使用して、編集または保持するクラス コードを指定することで、それらのポイントを必ず変更対象から除外します。
入力点群は、分類モデルの開発に使用されるトレーニング データと同じ属性を持つ必要があります。 たとえば、トレーニング済みモデルが強度属性を使用した場合、処理対象の点群も強度値を持つ必要があります。 また、点の密度と分布も、モデルのトレーニングで使用されたデータと同様である必要があります。
入力点群の空間参照が投影座標系を使用していない場合は、出力座標系 の環境を使用して、ポイントの分類で使用される投影座標系を定義することができます。
モデルは、特定のポイント数と一連の属性を含む特定サイズのブロック単位で点群データを処理するようにトレーニングされます。 入力点群は、モデルで定義されたブロックに分割して処理されます。 複数のブロックを指定した時間に処理できます。 一緒に処理されるブロックのセットはバッチと呼ばれます。 バッチ サイズは、推論操作中に使用されるコンピューター リソースの容量を制御します。 点群の処理に CPU を使用できますが、CUDA 対応の NVIDIA GPU を使用すると効率よく推論を実行できます。 同時に処理されるブロックの数を制御して、バッチ サイズ パラメーターで値を指定することにより消費される GPU メモリーの容量を制限できます。 コンピューターのリソースを超えるバッチ サイズを指定するのは避けてください。 ツールの実行前と実行時に利用可能な GPU メモリーは、NVIDIA の System Management Interface (SMI) ユーティリティーを使用して確認できます。 これは、GPU の NVIDIA ドライバーとともに自動的にインストールされるコマンド ライン ユーティリティーです。 このアプリケーションは GPU の使用量を追跡します。 ツールの実行中に使用可能なメモリーの量を制御するには、小さなバッチ サイズで点群データのサブセットを評価することを検討し、目的の使用量に達するまでこの値を徐々に増やします。 それ以外の場合は、ツールを使用して、GPU のメモリーの使用を自動的に最大化できます。
参照サーフェス パラメーターは、入力モデルが相対高度属性を使用してトレーニングされた場合に必要です。 ラスター サーフェスは参照高さとして使用され、そこから各ポイントに対して相対高度が内挿されます。 これは、モデルがオブジェクトをより容易に区別するために使用される追加情報を提供します。 このパラメーターに提供されるラスター サーフェスは、モデルを作成したトレーニング データで使用されたラスターと同じタイプのデータを表している必要があります。 ほとんどの場合、これは地表として分類されたポイントから作成されたラスターです。 地表フィルターを適用し、LAS データセット → ラスター ツールを使用することで、LAS データセットで地表に分類されたポイントからラスター サーフェスを生成できます。 点群 → ラスター ツールを使用して、点群シーン レイヤーから地表を生成することもできます。 入力点群から取得されていないラスター サーフェスも使用できますが、ラスター内の Z 値が点群内の Z 値と適切に対応していることを確認する必要があります。
入力モデルが、トレーニング データから除外された特定のクラスのポイントでトレーニングされている場合、除外されるクラス コード パラメーターを使用し、このモデルによって評価されるポイント セットからこれらのポイントが除外されるようにします。 特定のモデルの目的に対して有益なコンテキストを提供しないクラスを除外することで、評価されるポイント数を減らし、モデルのトレーニングと適用の速度を向上させることができます。 たとえば、建物を表すポイントは、交通信号、電線、車両などのオブジェクトを表すポイントとは関連性はありません。 建物ポイントは、LAS の建物分類 ツールを使用して確実に分類することもできます。 モデルの作成に使用されたトレーニング データからクラス 6 (建物を表す) のポイントが除外されている場合、入力点群も建物ポイントを分類し、このツールで除外する必要があります。
パラメーター
| ラベル | 説明 | データ タイプ |
|---|---|---|
|
ターゲット点群 |
分類される点群。 |
LAS Dataset Layer |
|
入力モデル定義 |
点群の分類に使用される入力 Esri モデル定義ファイル ( |
File; String |
|
ターゲット分類 |
入力点群の分類で使用されるトレーニング済みモデルのクラス コード。 サブセットが指定されていない限り、デフォルトにより入力モデルのすべてのクラスが使用されます。 |
String |
|
既存のクラス コードの処理 (オプション) |
入力点群の編集可能ポイントを定義する方法を指定します。
|
String |
|
既存のクラス コード (オプション) |
既存のクラス コードの処理 パラメーターの値に基づいて、ポイントが編集されるクラス、または元のクラス コード指定が保持されるクラス。 |
Long |
|
統計の計算 (オプション) |
LAS データセットで参照されている
|
Boolean |
|
処理境界 |
入力点群で処理されるポイントのサブセットを定義するポリゴン境界。 境界フィーチャの外側のポイントは評価されません。 |
Feature Layer |
|
ピラミッドの更新 (オプション) |
クラス コードが変更された後、LAS データセットのピラミッドを更新するかどうかを指定します。
|
Boolean |
|
参照サーフェス (オプション) |
点群データの各ポイントの相対高度値を提供するために使用されるラスター サーフェス。 ラスターとオーバーラップしないポイントは分析から除外されます。 |
Raster Layer |
|
除外されるクラス コード (オプション) |
処理から除外されるクラス コード。 0 ～ 255 の範囲内の任意の値を指定できます。 |
Long |
|
バッチ サイズ (オプション) |
推論操作中に、同時に処理される点群データ ブロックの数。 一般的に、バッチ サイズを大きくするとデータの処理が高速になりますが、コンピューターのリソースに対して大きすぎるバッチ サイズを使用することは避けてください。 GPU を使用する場合、利用可能な GPU メモリーは、コンピューターが処理できるバッチ サイズの最も一般的な制約になります。 所定のブロックによって使用されるメモリーは、モデルのブロック ポイント制限と必要なポイント属性によって異なります。 利用可能な GPU メモリーの確認および GPU メモリー使用量の評価の詳細については、使用方法セクションに記載されている NVIDIA SMI コマンド ライン ユーティリティーを使用します。 特定のアーキテクチャーでは、バッチ サイズを指定しない場合、最適なバッチ サイズが計算されます。 GPU を使用する場合、最適なバッチ サイズは、特定のデータのブロックにより消費されるメモリーの量およびツールの実行時に自由に使用できる GPU メモリーの量に基づきます。 推論に CPU を使用する場合、各ブロックは CPU スレッド上で処理され、最適なバッチ サイズは、利用可能な未使用の CPU スレッドの半分になるように計算されます。 |
Long |
派生した出力
| ラベル | 説明 | データ タイプ |
|---|---|---|
|
出力点群 |
ディープ ラーニング モデルによって分類された点群。 |
Feature Layer |
環境
範囲, プロセッサー タイプ, GPU ID, 出力座標系, 地理座標系変換
ライセンス情報
- Basic: 3D Analyst が必要
- Standard: 3D Analyst が必要
- Advanced: 3D Analyst が必要