Skip to main content

Оценить модель классификации облака точек (Инструменты 3D Analyst)

Краткая информация

Оценивает качество одной или нескольких моделей классификации облака точек, используя хорошо классифицированное облако точек как основу для оценки результатов классификации, полученных от каждой модели.

Использование

  • Чтобы получить наилучшую оценку результатов, базовое облако точек должно быть хорошо классифицированы для объектов интереса, по которым выполняется оценка.

  • Все оцениваемые входные модели должны иметь одинаковые коды классификации. Если базовое облако точек не содержит кодов классов, чьи значения или определения соответствуют классам в оцениваемых моделях, используйте параметр Перекодировка классов облака точек для назначения классификации базового облака точек в соответствии с кодами в обученных моделях.

  • Архитектура глубокого обучения PointCNN используется для создания модели классификации облака точек. Использование этой архитектуры может давать немного разные результаты при обработке одного и того же набора входных данных. Вы можете указать одну и ту же модель в качестве входной несколько раз для оценки согласованности результатов классификации в облаке точек. См. PointCNN: Свертка точек, преобразованных по X для дополнительной информации о потенциальной вариабельности результатов классификации.

  • В процессе оценки будет создано несколько выходных файлов в значении параметра Целевая папка. Имя каждого файла будет начинаться с текста, указанного в параметре Базовое имя.

    • <base name>_ModelStatistics.csv—Таблица, в которой перечислены параметры accuracy, precision, recall и F1 score.

    • <base name>_ClassCodeStatistics.csv—Таблица, суммирующая результаты параметров accuracy, precision, recall и F1 score для каждого кода класса.

    • <base name>_ConfusionMatrices.csv—Таблица, суммирующая, как каждая точка в каждом коде класса базового облака точек классифицируется входной моделью. В дополнение к истинно положительным и ложно положительным, в этой таблице также указаны классы, где выявились ложно положительные.

    • <base name>ConfusionMatrix<model number>.png—Изображение, показывающее диаграмму, которая даёт легко читаемое изображение матрицы несоответствий для данной модели.

  • Параметр Базовая поверхность необходим, если входная модель обучалась с использованием атрибутов относительных высот. Растровая поверхность используется в качестве базовой высоты, от которой интерполируются относительные высоты для каждой точки. Это дает модели дополнительную информацию, которую можно использовать для более легкой дифференциации объектов. Растровая поверхность, выбранная для этого параметра, должна содержать данные того же типа, что и растр, который использовался в обучающих данных, создавших модель. В большинстве случаев это будет растр, созданный на основе классифицированных как земля точек. Растровую поверхность можно создать из классифицированных точек земной поверхности в наборе данных LAS, применив фильтр наземных объектов и используя инструмент Набор данных LAS в растр. Поверхность земли также можно создать из слоя сцены облака точек с помощью инструмента Облако точек в растр. Растровые поверхности, которые получены не из входного облака точек, также можно использовать, но необходимо убедиться, что значения z в растре правильно соответствуют значениям z в облаке точек.

  • Если входная модель обучалась с использованием точек из определенных классов, которые были исключены из обучающих данных, используйте параметр Исключенные коды классов, чтобы убедиться в том, что эти точки будут исключены из набора точек, оцениваемых этой моделью. Исключение классов, не предоставляющих полезной для целей данной модели информации, уменьшит число оцениваемых точек, что повысит скорость обучения и применения модели. Например, точки, соответствующие зданиям, обычно не будут иметь никакого отношения к точкам, отображающим такие объекты, как светофоры, линии электропередач или автомобили. Точки зданий также можно адекватно классифицировать с помощью инструмента Классифицировать здания в LAS. Если точки с классом 6, отображающие здания, были исключены из обучающих данных, которые использовались для создания модели, точки зданий во входном облаке точек также должны быть классифицированы и исключены в этом инструменте.

Параметры

Подпись Объяснение Тип данных

Входное определение модели

Модели классификации облака точек и размеры пакетов, которые будут использоваться в процессе оценки.

Столбцы таблицы значений:

  • Classification Model–The point cloud classification model.

  • Batch Size–The point cloud batch size.

Value Table

Базовое облако точек

Облако точек, которое будет использовано для оценки моделей классификации.

LAS Dataset Layer; File

Целевая папка

Папка для сохранения файлов, в которых будут суммированы результаты оценки.

Folder

Базовое имя

Префикс имени файла, который будет использоваться для каждого из выходных файлов, где суммируются результаты оценки.

String

Граница обработки

(Дополнительный)

Полигональный объект, ограничивающий фрагменты базового облака точек, которое будет использован для оценки моделей классификации.

Feature Layer

Перекодировка классов облака точек

(Дополнительный)

Коды классов из базового облака точек должны соответствовать кодам класса в оцениваемой модели. Если коды классов не совпадают, используйте этот параметр для ассоциации различных кодов классов в облаке точек с классами, которые поддерживаются в оцениваемой модели.

Столбцы таблицы значений:

  • Current Class–The class code from the reference point cloud.

  • New Class–The class code in the models being evaluated.

Value Table

Базовая поверхность

(Дополнительный)

Растровая поверхность, которая будет использоваться для предоставления значений относительной высоты для каждой точки в данных облака точек. Точки, которые не перекрываются с растром, будут исключены из анализа.

Raster Layer

Исключенные коды классов

(Дополнительный)

Коды классов, которые будут исключены из обработки. Можно задать любое значение от 0 до 255.

Long

Производные выходные данные

Подпись Объяснение Тип данных

Выходная матрица несоответствий

Таблица в формате CSV, где сохраняется матрица несоответствий для каждого кода класса в каждой входной модели.

Text File

Выходная статистика модели

Таблица в формате CSV, где суммирована общая статистка по входным моделям.

Text File

Выходная статистика кодов классов

Таблица в формате CSV, где суммирована статистка для каждого кода класса в каждой входной модели.

Text File

Параметры среды

Экстент, Тип процессора, GPU ID, Выходная система координат, Географические преобразования

Информация о лицензировании

  • Basic: Требуется 3D Analyst
  • Standard: Требуется 3D Analyst
  • Advanced: Требуется 3D Analyst