Évaluer le modèle de classification du nuage de points (3D Analyst)

Synthèse

Évalue la qualité d’un ou de plusieurs modèles de classification de nuage de points à l’aide d’un nuage de points correctement classé, faisant office de point de comparaison pour les résultats de la classification obtenus à partir de chaque modèle.

Utilisation

• Pour obtenir les meilleurs résultats d’évaluation possibles, le nuage de points de référence doit être correctement classé pour les objets d’intérêt à évaluer.

• Les codes de classification doivent être les mêmes pour tous les modèles en entrée à évaluer. Si le nuage de points de référence ne contient aucun code de classe dont les valeurs ou la signification correspondent aux classes des modèles à évaluer, utilisez le paramètre Réappariement de classes du nuage de points pour indiquer la classification du nuage de points de référence avec les codes des modèles entraînés.

• L’architecture de Deep Learning PointCNN permet de créer le modèle de classification du nuage de points. Cette architecture peut générer des résultats légèrement différents lors du traitement du même jeu de données en entrée. Vous pouvez spécifier le même modèle en entrée plusieurs fois pour évaluer la cohérence du résultat de classification du nuage de points. Consultez l’article PointCNN: Convolution On X-Transformed Points pour en savoir plus sur la variation potentielle des résultats de classification.

• Le processus d’évaluation crée plusieurs fichiers en sortie dans la valeur de paramètre Dossier cible. Le nom de chaque fichier commence par le texte spécifié dans la valeur de paramètre Nom de base.

  • <nom de base>_ModelStatistics.csv : table qui répertorie l’exactitude, la précision, le rappel et le score F1 de chaque modèle.
  • <nom de base>_ClassCodeStatistics.csv : table qui récapitule les résultats de l’évaluation pour l’exactitude, la précision, le rappel et le score F1 de chaque code de classe.
  • <nom de base>_ConfusionMatrices.csv : table qui récapitule la manière dont les modèles en entrée ont classé chaque point de chaque code de classe du nuage de points de référence. Outre le nombre de vrais positifs et de faux positifs, cette table identifie également les classes dans lesquelles les faux positifs se sont produits.
  • <nom de base>_ConfusionMatrix_<numéro de modèle>.png : image qui présente un diagramme donnant une représentation facile à lire de la matrice de confusion d’un modèle donné.

Paramètres

Boîte de dialogue

Étiquette	Explication	Type de données
Définition de modèle en entrée	Modèles de classification de nuage de points à évaluer. Les entrées acceptées sont les fichiers de définition de modèle Esri (.emd) et de paquetage de Deep Learning (.dlpk).	File; String
Nuage de points de référence	Nuage de points utilisé pour évaluer les modèles de classification.	LAS Dataset Layer; File
Dossier cible	Répertoire contenant les fichiers qui récapitulent les résultats de l’évaluation.	Folder
Nom de base	Nom faisant office de préfixe pour chacun des fichiers qui récapitulent les résultats de l’évaluation.	String
Limite de traitement (Facultatif)	Entité surfacique qui délimite les parties du nuage de points de référence à utiliser pour évaluer les modèles de classification.	Feature Layer
Réappariement de classes du nuage de points (Facultatif)	Manière dont les codes de classe provenant du nuage de points de référence sont réappariés pour correspondre aux codes de classe des modèles à évaluer.	Value Table

Sortie obtenue

Étiquette	Explication	Type de données
Matrices de confusion en sortie	Table au format CSV qui contient la matrice de confusion pour chaque code de classe de chaque modèle en entrée.	Text File
Statistiques de modèle en sortie	Table au format CSV qui récapitule les statistiques globales des modèles en entrée.	Text File
Statistiques de code de classe en sortie	Table au format CSV qui récapitule les statistiques pour chaque code de classe de chaque modèle en entrée.	Text File

Python

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

Nom	Explication	Type de données
in_trained_model [in_trained_model,...]	Modèles de classification de nuage de points à évaluer. Les entrées acceptées sont les fichiers de définition de modèle Esri (.emd) et de paquetage de Deep Learning (.dlpk).	File; String
in_point_cloud	Nuage de points utilisé pour évaluer les modèles de classification.	LAS Dataset Layer; File
target_folder	Répertoire contenant les fichiers qui récapitulent les résultats de l’évaluation.	Folder
base_name	Nom faisant office de préfixe pour chacun des fichiers qui récapitulent les résultats de l’évaluation.	String
boundary (Facultatif)	Entité surfacique qui délimite les parties du nuage de points de référence à utiliser pour évaluer les modèles de classification.	Feature Layer
class_remap [class_remap,...] (Facultatif)	Manière dont les codes de classe provenant du nuage de points de référence sont réappariés pour correspondre aux codes de classe des modèles à évaluer.	Value Table

Sortie obtenue

Nom	Explication	Type de données
out_confusion_matrices	Table au format CSV qui contient la matrice de confusion pour chaque code de classe de chaque modèle en entrée.	Text File
out_model_statistics	Table au format CSV qui récapitule les statistiques globales des modèles en entrée.	Text File
out_class_code_statistics	Table au format CSV qui récapitule les statistiques pour chaque code de classe de chaque modèle en entrée.	Text File

Exemple de code

Exemple d’utilisation de la fonction EvaluatePointCloudUsingTrainedModel (fenêtre Python)

L'exemple suivant illustre l'utilisation de cet outil dans la fenêtre 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]])

Environnements

Étendue, Type de processeur, ID du processeur graphique, Système de coordonnées en sortie, Transformations géographiques

Informations de licence

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