Puede utilizar el aprendizaje profundo para clasificar nubes de puntos en formato LAS y clasificar muchos tipos de entidades. No utiliza reglas predefinidas para identificar cosas específicas como edificios o suelo. En su lugar, 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 optarán por modelos creados por científicos de datos expertos porque se necesita tiempo y esfuerzo para hacer ese trabajo. Busque en ArcGIS Living Atlas 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. Puede utilizar la herramienta Evaluar modelo de clasificación de nube de puntos para ver, desde una perspectiva estadística, cómo de bien funcionará un modelo entrenado con sus datos concretos.
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 provengan del mismo proyecto de captura de datos. Si no es así, al menos deben compartir cualidades. Por ejemplo, un modelo entrenado con LIDAR aéreo sería adecuado para clasificar LIDAR aéreo, no nubes de puntos fotogramétricas/SfM. El espaciado de puntos 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 mediante un modelo entrenado
La herramienta de geoprocesamiento Clasificar nube de puntos mediante un 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 y es lo que editará la herramienta. El modelo puede ser un archivo de definición de modelo de 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 autocontenidos. 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 las que se entrenó para clasificar se mostrará en el cuadro de diálogo de la herramienta. Por defecto, todas las clases están seleccionadas. Puede desactivar cualquiera que no le interese.
Otro parámetro denominado Manejo de código de clase existente permite controlar lo que se 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 pueden cambiar los puntos con ciertos códigos de clase. Otros permanecerán intactos a pesar de lo que el modelo de aprendizaje profundo prediga que sean. También puede elegir lo contrario, si es más conveniente: indicar que no se permite que cambien los puntos con ciertos códigos. Por ejemplo, si la nube de puntos de destino ya se clasificó para el suelo y desea dejarlos tal cual, opte por conservar los puntos que son de clase 2 (que representan el suelo).
El parámetro Tamaño de lote afecta al rendimiento del proceso de clasificación. Representa el número de bloques de datos que se proporcionan a la GPU a la vez. Cuanto mayor sea el valor, más rápido será el proceso, ya que la GPU opera en ellos en paralelo. El coste es memoria. Solo puede procesar la cantidad de bloques que permita la memoria disponible en la GPU. De forma predeterminada, cuando no se especifica el tamaño de lote, la herramienta intenta encontrar un valor razonable por su cuenta. El valor que utilice se escribirá en los mensajes de salida. Es posible que se pueda utilizar un valor mayor, así que puede especificar un valor para sobrescribir el predeterminado. Durante la ejecución de una prueba, puede controlar el uso de la memoria de la GPU. Si hay mucha memoria de GPU disponible durante la clasificación, puede aumentar con seguridad el tamaño del lote para procesar más bloques a la vez.