Detección de Objetos a partir de Nube de Puntos Aérea

ZhaiyuChen

<\/HEAD>

Introducción<\/H2>El conjunto de datos Actueel Hoogtebestand Nederland (AHN) representa con precisión los Países Bajos como innumerables puntos, mientras que su procesamiento generalmente implica una gran intervención humana. En esta publicación del blog, demostramos cómo se puede utilizar el módulo arcgis.learn para favorecer la clasificación automática de nubes de puntos AHN. Observe que se omite la clasificación cruda de AHN; en su lugar, se realiza una reclasificación detallada de la nube de puntos.<\/P><\/P>PointCNN<\/H2>Para comenzar, tenemos que presentar PointCNN, una canalización de aprendizaje profundo para el análisis de nubes de puntos.<\/P><\/P>A diferencia de las imágenes, los datos de nubes de puntos no están ordenados y están distribuidos anisotrópicamente en el espacio, lo que dificulta las aplicaciones de las redes neuronales convolucionales tradicionales (CNNs) diseñadas para datos 2D.<\/P><\/P>Una parte central del marco PointCNN es la operación X-Conv que es análoga a la operación de convolución en CNNs 2D. Este operador realiza una serie de operaciones sobre una forma procesada de bloques de nubes de puntos. Lo especial del X-Conv es que puede procesar los puntos de entrada con un orden arbitrario para obtener una característica independiente del orden. Con el X-Conv como bloques constructores, PointCNN es capaz de realizar convoluciones en conjuntos desordenados de puntos, similar (pero un poco más complejo) a las cuadrículas 2D.<\/P><\/P>La operación XConv en nubes de puntos (abajo) se asemeja a la convolución en cuadrículas 2D (arriba)<\/P><\/P>PointCNN está implementado en el módulo arcgis.learn, la API Python de Esri para aprendizaje profundo. La API ArcGIS encapsula las funcionalidades para clasificar y segmentar eficientemente puntos de un conjunto de datos de nube de puntos. Para profundizar en la API puede referirse a documentación arcgis.learn<\/A>.<\/P>

<\/P>

Naturalmente, PointCNN necesita datos de entrenamiento para aprender, donde se utiliza el conjunto Dayton Annotated Laser Earth Scan (DALES) (

DALES : University of Dayton, Ohio<\/A>) que contiene cuarenta escenas densas y etiquetadas con datos aéreos que abarcan múltiples tipos de escenas incluyendo urbano, suburbano, rural y comercial, con más de medio billón de puntos abarcando 10 kilómetros cuadrados. La nube de puntos AHN3 de Dordtrecht se eligió como conjunto de prueba, cuya preparación pasa por Geoprocesamiento - Convertir LAS y Extraer LAS con ArcGIS Pro.<\/P>

<\/P>

Preparación del conjunto Dordrecht en ArcGIS Pro<\/P>

<\/P>

Después del entrenamiento con las nubes DALES, PointCNN es capaz de clasificar los puntos AHN de la región Dordrecht, solo con la información coordenada (x, y, z). Los scripts de entrenamiento pueden encontrarse en este 

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

<\/P>

<\/P>

Nube sin clasificar AHN de la región Dordrecht, renderizada con el valor intensidad<\/P>

<\/P>

Resultados<\/H2>Ahora observe abajo la escena Dordrecht clasificada por PointCNN. La clasificación contiene Suelo, Vegetación, Coches, Camiones, Líneas eléctricas, Postes, Cercas y Edificios. Note especialmente cómo objetos pequeños (por ejemplo, coches y líneas eléctricas) aún son detectados prominentemente. Comparado con la clasificación cruda del AHN3 que consiste solo en cinco clases generales, la nueva clasificación es claramente más detallada.<\/P><\/P><\/P>Nube clasificada AHN de la región Dordrecht, renderizada con el código clase <\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/>  <\\/SPAN>Interactive maps of the classified point cloud can be found at this Story Map: Object Detection from Aerial Point Cloud.

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.