您可以使用深度学习对 LAS 格式点云进行分类并对多种要素进行分类。 它不使用预定义的规则来识别建筑物或地面等特定事物。 相反，您提供了感兴趣的要素的示例，这些示例用于训练神经网络，该神经网络随后可以识别和分类其他数据中的那些要素。
您可以使用在其他地方创建的深度学习模型，也可以创建自己的深度学习模型。 大多数用户可能会选择专业数据科学家制作的模型，因为完成这项工作需要花费时间和精力。 查看 ArcGIS Living Atlas，以查看是否有适用于您工程的任何模型。 如果没有，请考虑创建自己的模型。 有关创建自己的模型的更多信息，请参阅训练用于点云分类的深度学习模型。
无论您使用的是其他人还是您自己的深度学习模型，都需要确保要分类的数据与用于训练模型的数据相似。 理想情况下，它来自同一数据集合工程。 如果没有，它至少应该具有共同的品质。 例如，使用机载激光雷达训练的模型将适用于对机载激光雷达进行分类，而不是对摄影测量/SfM 点云进行分类。 标称点间距应相似，并且如果建模中包括其他属性，例如强度或回波编号，则这些属性也应相似。
使用使用训练模型工具的分类点云
使用训练模型分类点云地理处理工具将 LAS 数据集和深度学习模型作为输入。 LAS 数据集引用一个或多个 LAS 文件，这些文件将由该工具编辑。 该模型可以是 Esri 模型定义文件 (*.emd) 或深度学习包 (*.dlpk)。 这两个都是训练工具的输出。 不同之处在于您可以在线发布和共享 .dlpk 文件，它们是独立的。 另一方面，*.emd 文件引用其他数据，特别是 *.pth 文件，并且这些文件必须存在才能使模型正常工作。
将模型添加为工具的输入后，经训练的模型可分类的类列表将显示在工具对话框中。 默认情况下，所有类都处于选定状态。 您可以取消选中所有不感兴趣的选项。
另一个名为输入类代码处理的参数使您可以控制目标 LAS 点云中允许修改的内容。 默认情况下，目标点云中的所有点均可编辑。 或者，您可以指定只允许更改具有某些类代码的点。 无论深度学习模型的预测如何，其他点都将保持不变。 您也可以选择相反的操作，如果这样更加方便，即声明不允许更改具有特定代码的点。 例如，如果已经针对地面将目标点云分类，并且您希望这些点保持原样，请选择保留类 2（代表地面）的点。