Evaluar modelo de clasificación de nube de puntos (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: tabla en la que figura la exactitud general, la precisión, la recuperación y la puntuación F1 de cada modelo.
  • <base name>_ClassCodeStatistics.csv: tabla que resume los resultados de la evaluación correspondientes a exactitud, precisión, recuperación y puntuación F1 del código de clase.
  • <base name>_ConfusionMatrices.csv: 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: imagen que muestra un gráfico que proporciona una representación fácil de leer de la matriz de confusión para un modelo determinado.

Parámetros

Cuadro de diálogo

Etiqueta	Explicación	Tipo de datos
Definición de modelo de entrada	Los modelos de clasificación de nube de puntos que se evaluarán. Las entradas aceptadas son los archivos de definición de modelo de Esri (.emd) y del paquete de aprendizaje profundo (.dlpk).	File; String
Nube de puntos de referencia	Nube de puntos que se usará para evaluar los modelos de clasificación.	LAS Dataset Layer; File
Carpeta de destino	Directorio en el que se almacenarán los archivos que resumen los resultados de la evaluación.	Folder
Nombre básico	Nombre que servirá como prefijo de cada uno de los archivos que resumen los resultados de la 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)	Forma en que se volverán a asignar los códigos de clase de la nube de puntos de referencia para que coincidan con los códigos de clase de los modelos que se están evaluando.	Value Table

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

Python

arcpy.ddd.EvaluatePointCloudClassificationModel(in_trained_model, in_point_cloud, target_folder, base_name, {boundary}, {class_remap})

Nombre	Explicación	Tipo de datos
in_trained_model [in_trained_model,...]	Los modelos de clasificación de nube de puntos que se evaluarán. Las entradas aceptadas son los archivos de definición de modelo de Esri (.emd) y del paquete de aprendizaje profundo (.dlpk).	File; String
in_point_cloud	Nube de puntos que se usará para evaluar los modelos de clasificación.	LAS Dataset Layer; File
target_folder	Directorio en el que se almacenarán los archivos que resumen los resultados de la evaluación.	Folder
base_name	Nombre que servirá como prefijo de cada uno de los archivos que resumen los resultados de la evaluación.	String
boundary (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
class_remap [class_remap,...] (Opcional)	Forma en que se volverán a asignar los códigos de clase de la nube de puntos de referencia para que coincidan con los códigos de clase de los modelos que se están evaluando.	Value Table

Salida derivada

Nombre	Explicación	Tipo de datos
out_confusion_matrices	Tabla de formato CSV que almacena la matriz de confusión de cada código de clase en cada modelo de entrada.	Text File
out_model_statistics	Tabla de formato CSV que resume las estadísticas generales de los modelos de entrada.	Text File
out_class_code_statistics	Tabla de formato CSV que resume las estadísticas de cada código de clase en cada modelo de entrada.	Text File

Muestra de código

Ejemplo de EvaluatePointCloudUsingTrainedModel (ventana de Python)

En el siguiente ejemplo se muestra cómo usar esta herramienta en la ventana de Python.

import arcpy
arcpy.env.workspace = 'C:/data'
arcpy.ddd.EvaluatePointCloudUsingTrainedModel(
        ['Transmission_Power_Lines.dlpk', 'Distribution_Power_Lines.dlpk'], 
        'Classified_Power_Lines.lasd', 'D:/Evaluate_PointCNN_Models', 
        'Power_Line_Results_', 'test_boundary.shp', [[18, 14], [20, 14]])

Entornos

Extensión, Tipo de procesador, Id. de GPU, Sistema de coordenadas de salida, Transformaciones geográficas

Casos especiales

Información de licenciamiento

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