Puede utilizar el aprendizaje profundo para clasificar nubes de puntos en formato LAS, además de muchos tipos de entidades. No utiliza reglas predefinidas para identificar cosas específicas como edificios o suelo. En su lugar, el usuario proporciona ejemplos de entidades de interés y estas se utilizan para entrenar una red neuronal que luego puede reconocer y clasificar esas entidades en otros datos.
Puede utilizar modelos de aprendizaje profundo creados en otros lugares o crear los suyos propios. La mayoría de los usuarios probablemente elegirán los modelos creados por científicos de datos expertos porque se necesita tiempo y esfuerzo para hacer ese trabajo. Examine ArcGIS Living Atlas para ver si hay modelos disponibles que sean apropiados para su proyecto. Si no es así, plantéese crear su propio modelo. Consulte Entrenar un modelo de aprendizaje profundo para la clasificación de nube de puntos para obtener más información sobre cómo crear su propio modelo.
Independientemente de si utiliza el modelo de aprendizaje profundo de otra persona o el suyo propio, debe asegurarse de que los datos que desea clasificar sean similares a los datos utilizados para entrenar el modelo. Lo ideal es que provenga del mismo proyecto de captura de datos. Si no es así, debe compartir al menos calidades. Por ejemplo, un modelo entrenado con LIDAR aéreo sería adecuado para clasificar LIDAR aéreo, no nubes de punto fotogramétricas/SfM. El espaciado de punto nominal debe ser similar, y si se incluyeron otros atributos en el modelado, como la intensidad o el número de retorno, también deberían ser similares.
Utilizar la herramienta Clasificar nube de puntos con modelo entrenado
La herramienta de geoprocesamiento Clasificar nube de puntos con modelo entrenado toma como entrada un dataset LAS y un modelo de aprendizaje profundo. El dataset LAS hace referencia a uno o más archivos LAS que editará la herramienta. El modelo puede ser un archivo de definición de modelo Esri (*.emd) o un paquete de aprendizaje profundo (*.dlpk). Ambos son salidas de la herramienta de entrenamiento. La diferencia es que puede publicar y compartir archivos .dlpk en línea; son independientes. Por otro lado, los archivos * .emd hacen referencia a otros datos, concretamente archivos *.pth, que deben estar presentes para que el modelo funcione.
Una vez que el modelo se agrega como entrada a la herramienta, la lista de clases a la que se entrenó para clasificar se mostrará en el cuadro de diálogo de la herramienta. Todas las capas están seleccionadas de forma predeterminada. Puede desactivar cualquiera que no le interese.
Otro parámetro denominado Manejo de código de clase de entrada permite controlar lo que se le permite modificar en la nube de puntos LAS de destino. De forma predeterminada, todos los puntos de la nube de puntos de destino son editables. También puede especificar que solo se permita cambiar los puntos con ciertos códigos de clase. Otros permanecerán intactos a pesar de lo que el modelo de aprendizaje profundo prediga que son. También puede elegir lo contrario, si es más conveniente, para establecer que no se permita cambiar los puntos con ciertos códigos. Por ejemplo, si la nube de puntos de destino ya se clasificó para el suelo y desea que se dejen como están, elija conservar los puntos que son de clase 2 (que representan el suelo).