Clasificación de Nubes de Puntos obtenidas con sensores LiDAR aerotransportados para la identificación de objetos mediante el uso de Deep Learning

Resumen

Resumen:

El objetivo del presente proyecto es el estudio de las capacidades de clasificación de nubes de puntos LiDAR por parte de la red neuronal Myria3D. Dicho desarrollo se aplica a la segunda cobertura del PNOA LiDAR, con las nubes obtenidas y clasificadas por el IGN. Para garantizar su funcionamiento se necesita tratar las 1093 nubes de puntos utilizadas, adaptando su formato y uniendo la componente RGB con la información de infrarrojos en un único archivo.

Con el tratamiento del conjunto de datos se estudia y parametriza la red neuronal, obteniendo hasta una precisión del 86% en la clasificación inferida. Además, se muestran los resultados obtenidos con otras configuraciones, a pesar de incluir las pruebas más destacadas en el repositorio creado en github.

Los resultados muestran la importancia de una buena parametrización, además de la relevancia del volumen de datos a tratar durante los entrenamientos. A mayor cantidad más se evitan las generalizaciones y se aumenta la cantidad de puntos clasificados con precisión.

La utilización de redes neuronales como metodología de clasificación de nubes de puntos requiere unos conocimientos avanzados, además de un gran trabajo previo de clasificación manual con su pertinente adecuación de formatos.

Abstract:

The aim of this project is to study the performance of Myria3D, deep learning library for semantic segmentation of LiDAR point clouds. This neural network is applied to the second PNOA LiDAR coverage, with the clouds obtained and classified by the IGN. To guarantee its operation, the complete dataset, composed of 1093 point clouds, must be processed. This involves modifying its format and merging the RGB component with the infrared information in a single file.

With the treatment of the dataset, the neural network should be studied and parameterized, reaching an accuracy of 86% in the inferred classification. Furthermore, it shows the results obtained with different configurations. Although, the most remarkable tests are included in the repository created in github.

The results show the importance of a good configuration, as well as the relevance of the volume of data to be processed during training. The greater the number, the more generalizations are avoided and the more points are accurately classified.

The use of neural networks as a point cloud classification methodology requires advanced knowledge, in addition to a significant amount of manual classification work with its corresponding format adaptation.