Оценить модель классификации облака точек (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 Целевой папке. 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 диаграммы, по которой удобно оценить матрицу неточностей для данной модели.

Параметры

Диалог

Подпись	Описание	Тип данных
Входное определение модели	Модели классификации облака точек, которые будут оценены. В качестве входных данных принимаются файлы определения модели Esri (.emd) и пакетов глубокого обучения (.dlpk).	File; String
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
Исходное имя	Имя, используемое как префикс для каждого файла, суммирующего результаты оценки.	String
Обработка границ (Дополнительный)	Полигональный объект, ограничивающий фрагменты базового облака точек, которое будет использован для оценки моделей классификации.	Feature Layer
Перекодировка классов облака точек (Дополнительный)	Способ, с помощью которого коды классов базового облака точек будут перекодированы для соответствия кодам классов в оцениваемой модели.	Value Table

Производные выходные данные

Подпись	Описание	Тип данных
Выходная матрица несоответствий	Таблица в формате CSV, где сохраняется матрица неточностей 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

Python

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

Имя	Описание	Тип данных
in_trained_model [in_trained_model,...]	Модели классификации облака точек, которые будут оценены. В качестве входных данных принимаются файлы определения модели Esri (.emd) и пакетов глубокого обучения (.dlpk).	File; String
in_point_cloud	Облако точек, которое будет использовано для оценки моделей классификации.	LAS Dataset Layer; File
target_folder	Папка для сохранения файлов, в которых будут суммированы результаты оценки.	Folder
base_name	Имя, используемое как префикс для каждого файла, суммирующего результаты оценки.	String
boundary (Дополнительный)	Полигональный объект, ограничивающий фрагменты базового облака точек, которое будет использован для оценки моделей классификации.	Feature Layer
class_remap [class_remap,...] (Дополнительный)	Способ, с помощью которого коды классов базового облака точек будут перекодированы для соответствия кодам классов в оцениваемой модели.	Value Table

Производные выходные данные

Имя	Описание	Тип данных
out_confusion_matrices	Таблица в формате CSV, где сохраняется матрица неточностей для каждого кода класса в каждой входной модели.	Text File
out_model_statistics	Таблица в формате CSV, где суммирована общая статистка по входным моделям.	Text File
out_class_code_statistics	Таблица в формате CSV, где суммирована статистка для каждого кода класса в каждой входной модели.	Text File

Пример кода

EvaluatePointCloudUsingTrainedModel, пример (окно Python)

В следующем примере показано использование этого инструмента в окне 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]])

Параметры среды

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

Особые случаи

Информация о лицензиях

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