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。 您可以使用评估点云分类模型工具从统计的角度上查看已训练模型在您的特定数据上的表现如何。
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。
另一个名为现有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。
批量大小参数影响分类过程的性能。 它表示一次提供给 GPU 的数据块的数量。 值越高，处理速度越快，因为 GPU 会对其进行并行操作。 这将消耗内存。 仅可处理可用 GPU 内存允许的最多块数。 默认情况下，当未指定批量大小时，该工具会尝试自行查找合理值。 它使用的值将被写入输出消息。 可以使用更大的值，这样您可以通过指定一个值来覆盖默认值。 在测试运行期间，您可以监控 GPU 的内存使用情况。 如果在分类期间仍有大量 GPU 内存可用，您可以安全地增加批量大小以一次处理更多块。