Aktualności

Badania nad klasyfikacją chmur punktów w IGiG finansowane przez NCN [Preludium NCN]

17-12-2021

Chmury punktów są obecnie jednym z podstawowych produktów wykorzystywanych do modelowania 3D. Ich pozyskanie możliwe jest m.in. z wykorzystaniem lotniczego skaningu laserowego, który pozwala uniknąć czasochłonnych prac terenowych i w pewnym stopniu przeniknąć przez szatę roślinną. Dzięki temu może służyć do pomiaru powierzchni terenu nawet na obszarach zalesionych. Ponadto umożliwia on szybkie pozyskiwanie danych przestrzennych o dużej dokładności geometrycznej (zwłaszcza wysokościowej) reprezentujących rozległe obszary. Ze względu na te zalety lotniczy skaning laserowy jest obecnie główną techniką stosowaną do pozyskiwania danych służących do modelowania powierzchni terenu na poziomie regionalnym, a nawet krajowym. Jednak surowa chmura punktów musi zostać przetworzona przed wykonaniem dalszych analiz. Ręczna interpretacja tak dużych zbiorów danych (liczących często miliardy punktów) jest czasochłonna i podatna na błędy. W związku z tym, w przypadku większości zastosowań, istnieje potrzeba opracowania automatycznych algorytmów przetwarzania chmur punktów. Zwykle jednych z etapów takich algorytmów jest klasyfikacja, która polega na przypisaniu każdemu punktowi informacji o typie obiektu, który reprezentuje (np. budynek, drzewo, samochód, powierzchnia terenu itp.). W rezultacie dokładność metod przetwarzania chmur punktów w dużym stopniu zależy od jakości klasyfikacji.

Tradycyjnie klasyfikacja była wykonywana w oparciu o tzw. algorytmy „uczenia płytkiego”, które pozwalają na rozróżnienie obiektów na postawie ich cech. Cechy te są definiowane przez człowieka i obliczane na podstawie chmury punktów. W ostatnich latach dużą popularność zyskały głębokie sieci neuronowe, których zastosowanie pozwala na uniknięcie definiowania cech reprezentujących poszczególne obiekty, ponieważ cechy te są wyznaczane automatycznie podczas trenowania sieci. Jednak ze względu na jej skomplikowany charakter, trenowanie głębokiej sieci neuronowej jest czasochłonne i wymaga dużej ilości danych uczących, które są trudno dostępne. Zatem opracowanie metodologii pozwalającej na jednokrotne wytrenowanie sieci neuronowej a następnie wykorzystywanie jej do klasyfikacji danych pozyskanych przy pomocy różnego sprzętu i posiadających różną charakterystykę (np. gęstość) pozwoliłoby na wyeliminowanie tych wad.

Dlatego podczas realizacji projektu zostaną podjęte badania pozwalające na opracowanie metodologii powtarzalnej klasyfikacji chmur punktów opartej na głębokim uczeniu. Dzięki zastosowaniu opracowanej metody możliwe będzie skrócenie czasu potrzebnego na przetwarzanie chmur punktów, ponieważ raz wytrenowany klasyfikator będzie mógł zostać ponownie użyty do klasyfikacji kolejnych danych.