航空点云目标检测
简介
Actueel Hoogtebestand Nederland (AHN)数据集精确地将荷兰描述为无数个点，而这些点的处理通常需要大量的人为干预。在这篇博文中，我们将演示如何使用arcgis。learn模块可用于AHN点云的自动分类。注意，AHN的原始分类被忽略了;取而代之的是对点云进行细粒度的重新分类。
PointCNN
首先，我们必须介绍PointCNN，这是一个用于点云分析的深度学习管道。
与图像不同，点云数据在空间上是无序且各向异性的，这阻碍了传统的卷积神经网络(cnn)在二维数据上的应用。
PointCNN框架的核心部分是X-Convoperation，它类似于2D cnn中的卷积运算。该运算符对经过处理的点云块形式执行一系列操作。X-Conv的特殊之处在于它可以以任意顺序处理输入点，以获得与顺序无关的特征。使用X-Conv作为构建块，PointCNN能够在无序点集上执行卷积，类似于2D网格(但略复杂)。
点云上的XConv运算(下)类似于二维网格上的卷积(上)
PointCNN在arcgis中实现。学习模块，Esri的Python API用于深度学习。ArcGIS API封装了从点云数据集中有效分类和分割点的功能。深入了解您可能会参考的APIarcgis。学习文档。
当然，PointCNN需要学习的训练数据，其中代顿注释激光地球扫描(DALES)数据集(戴尔斯:俄亥俄州代顿大学)，其中包含40个密集的标记航空数据场景，涵盖多种场景类型，包括城市、郊区、农村和商业，超过5亿个点，覆盖10平方公里的区域。选取德国多德勒支的AHN3点云作为测试数据集，利用ArcGIS Pro进行了Geoprocessing - Convert LAS和Extract LAS的制备。
在ArcGIS Pro中准备Dordrecht数据集
在DALES点云上训练后，PointCNN能够对Dordrecht区域的AHN点进行分类，仅使用坐标信息(x, y, z)。培训脚本可以在这里找到ArcGIS的笔记本。
Dordrecht地区未分类的AHN点云，用强度值渲染
结果
现在看看PointCNN分类的多德雷赫特现场。分类包括地面，植被，汽车，卡车，电线，电线杆，栅栏和建筑物。尤其要注意小尺寸物体(如汽车和电线)仍然被显著地检测到。与AHN3的原始分类(仅包含5个粗略类别)相比，新的分类显然包含更细粒度的细节。
分类AHN点云Dordrecht地区，渲染类代码
分类点云的交互式地图可以在这里找到故事图:空中点云的目标检测。