点云分类是分割3D数据的一种很好的方法。但是,很多时候用户需要获取对象实例的位置和数量(如点云中树木的位置和数量)。eCognition的自动分类功能允许用户对对象进行分类,但如何找到对象的每个实例并确定其位置?
图2 DBSCAN – 对点云类别“电线杆”生成的聚类中心点
DBSCAN 是一种基于密度的聚类算法,可将邻近点归为同一对象实例。用户输入目标点云类别后,DBSCAN算法将识别每个实例并在其中心位置生成点。
03
支持通过 ONNX 模型集成多种机器学习框架
注:eCognition 与 TensorFlow 模型不再支持 GPU。建议新规则集使用 ONNX 模型。
在之前版本的eCognition中,允许使用在eCognition之外训练的AI模型,但有一个限制,即必须是 TensorFlow 模型。快速扩张的 AI 社区提供了在其他机器学习框架中训练的预训练模型,显然规则集开发人员不希望局限于 TensorFlow。该版本的 eCognition引入了对 ONNX 模型的支持。ONNX 模型是以开放神经网络交换 (ONNX,Open Neural Network Exchange) 格式保存的机器学习模型。ONNX 格式使用户能够导入和运行在不同的机器学习框架(包括 TensorFlow、PyTorch)中训练的模型,而无需专门针对将部署模型的特定平台重新训练它们。
点云在地理空间应用中日益重要。地理空间专业人员通过静态/移动扫描、航空激光雷达、摄影测量等全新方式采集点云。eCognition 提供点云处理操作算法,包括点云自动分类。
在该版本中新增工具栏添加了手动编辑功能,该工具栏允许使用各种模式进行点选择、在 2D 和 3D 视图中对点进行重新分类。将点云数据导入eCognition 后,工具栏将自动打开。
关于eCognition v10.5详细的版本更新内容,可扫描加入下方QQ群进行下载或添加不朽情缘网站客服进行咨询。