Вы можете использовать глубокое обучение для классификации облаков точек в формате LAS и классификации многих видов объектов. Оно не использует предопределенные правила для идентификации конкретных вещей, таких как строения или поверхность земли. Скорее, вы предоставляете примеры объектов интереса, которые используются для обучения нейронной сети, которая затем может распознавать и классифицировать эти объекты в других данных.
Вы можете использовать модели глубокого обучения, созданные в другом месте, или создавать свои собственные. Большинство пользователей, вероятно, выберут модели, созданные экспертами по данным, потому что это требует времени и усилий. Посмотрите в ArcGIS Living Atlas, доступны ли какие-либо модели, подходящие для вашего проекта. Если нет, подумайте о создании собственной модели. Дополнительные сведения о создании собственной модели см. в разделе Обучение модели глубокого обучения для классификации облака точек. Вы можете использовать инструмент Оценить модель классификации облака точек, чтобы увидеть со статистической точки зрения, насколько хорошо обученная модель будет работать с вашими конкретными данными.
Независимо от того, используете ли вы чужую модель глубокого обучения или свою собственную, вам необходимо убедиться, что данные, которые вы собираетесь классифицировать, аналогичны данным, используемым для обучения модели. В идеале они должны исходить из коллекции данных того же проекта. Если нет, то они должны хотя бы иметь общие качества. Например, модель, обученная с помощью бортового лидара, будет подходящей для классификации бортового лидара, а не фотограмметрических/SfM облаков точек. Номинальный интервал между точками должен быть аналогичным, и если в моделирование были включены другие атрибуты, такие как интенсивность или возвращаемое количество, они также должны совпадать.
Использование инструмента Классификация облака точек с использованием обучающей модели
Инструмент геообработки Классификация облака точек с использованием обучающей модели принимает в качестве входных данных набор данных LAS и модель глубокого обучения. Набор данных LAS ссылается на один или несколько файлов LAS, и они будут редактироваться инструментом. Модель может быть либо файлом Определения модели Esri (*.emd), либо Пакетом глубокого обучения (*.dlpk). Оба они являются выходными данными обучающего инструмента. Разница в том, что вы можете публиковать и обмениваться файлами .dlpk в Интернете; они самодостаточны. С другой стороны, файлы *.emd ссылаются на другие данные, в частности на файлы *.pth, и они должны присутствовать для работы модели.
После добавления модели в качестве входных данных в инструмент в диалоговом окне инструмента будет показан список классов, которые она была обучена классифицировать. По умолчанию выбраны все классы. Вы можете снять отметку с тех, что вас не интересуют.
Другой параметр, называемый Поддержка существующего кода класса, позволяет вам управлять тем, что разрешено изменять в целевом облаке точек LAS. По умолчанию все точки в целевом облаке точек доступны для редактирования. В качестве альтернативы вы можете указать, что можно изменять точки только с определенными кодами классов. Другие останутся неизмененными, несмотря на то, что модель глубокого обучения прогнозирует что они будут изменены. Вы также можете выбрать инверсию, если это удобнее, чтобы указать, что точки с определенными кодами не могут быть изменены. Например, если целевое облако точек уже было классифицировано как земля, и вы хотите оставить его как есть, выберите сохранение точек класса 2 (которые представляют собой землю).
Параметр Размер пакета влияет на производительность процесса классификации. Он определяет число блоков данных, обрабатываемых графическим процессором единовременно. Чем выше это значение, тем быстрее процесс, так как графический процессор использует параллельную обработку. Затраты ограничиваются доступной памятью. Вы можете обработать столько блоков, сколько возможно с доступной памятью графического процессора. По умолчанию, если размер пакета не занят, инструмент попытается подобрать подходящее значение. Используемое значение будет записано в выходных сообщениях. Возможно использование большего значения, так что вы можете перезаписать значение по умолчанию, указав нужное. В процессе выполнения теста вы можете следить за использованием памяти графического процессора. Если в процессе классификации остается доступным большой объем памяти графического процессора, вы можете безопасно увеличить размер пакета для одновременной обработки большего количества блоков.