Detekce objektů z leteckého bodového mračna

ZhaiyuChen

<\/HEAD>

Úvod<\/H2>Datová sada Actueel Hoogtebestand Nederland (AHN) přesně zobrazuje Nizozemsko jako nespočet bodů, jejichž zpracování obvykle vyžaduje rozsáhlý lidský zásah. V tomto blogovém příspěvku ukazujeme, jak lze modul arcgis.learn využít k automatické klasifikaci AHN bodových mračen. Všimněte si, že surová klasifikace AHN je opomenuta; místo toho je provedena detailní překlasifikace bodového mračna.<\/P><\/P>PointCNN<\/H2>Nejprve musíme představit PointCNN, hlubokou učící pipeline pro analýzu bodových mračen.<\/P><\/P>Na rozdíl od obrazových dat jsou data bodového mračna neuspořádaná a anizotropně rozložená v prostoru, což brání aplikacím tradičních konvolučních neuronových sítí (CNN) navržených pro 2D data.<\/P><\/P>Jádrem rámce PointCNN je operace X-Conv, která je analogická konvoluční operaci v 2D CNN. Tento operátor provádí řadu operací na zpracované formě bloků bodového mračna. Speciální na X-Conv je, že dokáže zpracovat vstupní body v libovolném pořadí a získat tak pořadí nezávislé rysy. S X-Conv jako stavebními bloky je PointCNN schopný provádět konvoluce na neuspořádaných množinách bodů, podobně jako (ale o něco složitěji než) u 2D mřížek.<\/P><\/P>Operace XConv na bodových mračnech (dole) připomíná konvoluci na 2D mřížkách (nahoře)<\/P><\/P>PointCNN je implementován v modulu arcgis.learn, Python API Esri pro hluboké učení. ArcGIS API zahrnuje funkce pro efektivní klasifikaci a segmentaci bodů z datové sady bodového mračna. Pro podrobnosti o API můžete odkázat na dokumentaci arcgis.learn<\/A>.<\/P>

<\/P>

Samozřejmě PointCNN potřebuje tréninková data, ze kterých se učí, přičemž je použita datová sada Dayton Annotated Laser Earth Scan (DALES) (

DALES : University of Dayton, Ohio<\/A>), která obsahuje čtyřicet scén hustých, označených leteckých dat pokrývajících různé typy scén včetně městských, příměstských, venkovských a komerčních oblastí s více než půl miliardou bodů na ploše 10 čtverečních kilometrů. Bodové mračno AHN3 oblasti Dordrecht bylo vybráno jako testovací datová sada, jejíž příprava proběhla pomocí Geoprocessingu - Převod LAS a Extrakce LAS v ArcGIS Pro.<\/P>

<\/P>

Příprava datové sady Dordrecht v ArcGIS Pro<\/P>

<\/P>

Po tréninku na DALES bodových mračnech je PointCNN schopen klasifikovat AHN body oblasti Dordrecht pouze na základě souřadnicových informací (x, y, z). Tréninkové skripty jsou k dispozici v tomto 

ArcGIS Notebooku<\/A>.<\/P>

<\/P>

<\/P>

Neklasifikované AHN bodové mračno oblasti Dordrecht vykreslené podle intenzity hodnoty<\/P>

<\/P>

Výsledky<\/H2>Níže si prohlédněte scénu Dordrecht klasifikovanou pomocí PointCNN. Klasifikace obsahuje Země, Vegetaci, Automobily, Nákladní auta, Elektrická vedení, Sloupy, Ploty a Budovy. Zvláštní pozornost věnujte tomu, jak jsou stále výrazně detekovány objekty malých rozměrů (např. automobily a elektrická vedení). Ve srovnání se surovou klasifikací AHN3 sestávající pouze z pěti hrubých tříd je nová klasifikace jasně detailnější.<\/P><\/P><\/P>Klasifikované AHN bodové mračno oblasti Dordrecht vykreslené podle kódu třídy<\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/> < P styl = " text - align : left ; " > < SPAN > & nbsp ; < / SPAN > < / P > < P styl = " text - align : left ; " > < SPAN > Interaktivní mapy klasifikovaného bodového mračna naleznete zde  Story Map : Detekce objektů z leteckého bodového mračna < / A > . < / SPAN > < / P > < / BODY > < / HTML >

MortezaEsfandiari

Hi, 

Thanks for sharing your work.

I was wondering if you could help me with a question that I have. 

Did you train the model on GPU or was it on CPU, and how long did it take?

I am asking because I followed your steps (I only used two blocks for training and one for validation) but after three days of training on CPU, it didn't even go one epoch.

I would appreciate it if you can help me with this.