Detecção de Objetos a partir de Nuvem de Pontos Aérea

ZhaiyuChen

<\/HEAD>

Introdução<\/H2>O conjunto de dados Actueel Hoogtebestand Nederland (AHN) representa com precisão os Países Baixos como inúmeros pontos, enquanto o processamento geralmente envolve uma intervenção humana massiva. Neste post do blog, demonstramos como o módulo arcgis.learn pode ser utilizado para favorecer a classificação automática das nuvens de pontos AHN. Observe que a classificação bruta do AHN é negligenciada; em vez disso, é realizada uma reclassificação detalhada da nuvem de pontos.<\/P><\/P>PointCNN<\/H2>Para começar, precisamos apresentar o PointCNN, um pipeline de deep learning para análise de nuvem de pontos.<\/P><\/P>Diferentemente das imagens, os dados de nuvem de pontos são desordenados e distribuídos anisotropicamente no espaço, o que dificulta as aplicações das redes neurais convolucionais tradicionais (CNNs) projetadas para dados 2D.<\/P><\/P>Uma parte central da estrutura PointCNN é a operação X-Conv, que é análoga à operação de convolução nas CNNs 2D. Este operador realiza uma série de operações em uma forma processada dos blocos da nuvem de pontos. O que é especial no X-Conv é que ele pode processar os pontos de entrada em uma ordem arbitrária para obter uma característica independente da ordem. Com o X-Conv como blocos de construção, o PointCNN é capaz de realizar convoluções em conjuntos de pontos desordenados, semelhante (mas um pouco mais complexo) ao que ocorre em grades 2D.<\/P><\/P>A operação XConv em nuvens de pontos (embaixo) assemelha-se à convolução em grades 2D (em cima)<\/P><\/P>O PointCNN é implementado no módulo arcgis.learn, API Python da Esri para deep learning. A API ArcGIS encapsula funcionalidades para classificar e segmentar eficientemente pontos a partir de um conjunto de dados de nuvem de pontos. Para se aprofundar na API, você pode consultar a documentação do arcgis.learn<\/A>.<\/P>

<\/P>

Naturalmente, o PointCNN precisa de dados de treinamento para aprender, onde o conjunto Dayton Annotated Laser Earth Scan (DALES) (

DALES : University of Dayton, Ohio<\/A>) é usado, contendo quarenta cenas densas e rotuladas de dados aéreos abrangendo múltiplos tipos de cena incluindo urbano, suburbano, rural e comercial, com mais de meio bilhão de pontos cobrindo 10 quilômetros quadrados. A nuvem de pontos AHN3 de Dordtrecht foi escolhida como conjunto de teste, cuja preparação passou por Geoprocessamento - Converter LAS e Extrair LAS com ArcGIS Pro.<\/P>

<\/P>

Preparação do conjunto Dordrecht no ArcGIS Pro<\/P>

<\/P>

Após o treinamento nas nuvens DALES, o PointCNN é capaz de classificar os pontos AHN da região Dordrecht apenas com as informações das coordenadas (x, y, z). Os scripts de treinamento podem ser encontrados neste 

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

<\/P>

<\/P>

Nuvem de pontos AHN não classificada da região Dordrecht, renderizada com valor de intensidade<\/P>

<\/P>

Resultados<\/H2>Agora veja abaixo a cena de Dordrecht classificada pelo PointCNN. A classificação contém Solo, Vegetação, Carros, Caminhões, Linhas elétricas, Postes, Cercas e Edifícios. Note especialmente como objetos pequenos (ex.: carros e linhas elétricas) ainda são detectados claramente. Comparado à classificação bruta do AHN3 que consiste em apenas cinco classes grosseiras, a nova classificação apresenta detalhes muito mais granulares.<\/P><\/P><\/P>Nuvem de pontos AHN classificada da região Dordrecht, renderizada com código da classe <\SPAN>Mapas interativos da nuvem classificada podem ser encontrados neste Story Map: Detecção de Objetos a partir da Nuvem de Pontos Aérea<\A>.<\SPAN>

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.