Label errors in point cloud in training data for classification using machine learning

Abstract

Jednou z mnoha aplikací ULS (UAV-borne laser scanning) je inspekce elektrického vedení. Nicméně s výstupem LiDAR sběru dat (mračen bodů) přichází i potřeba data automaticky klasifikovat, neboli sémanticky segmentovat, za účelem navazující analýzy. Metod pro automatickou klasifikaci mračen bodů bylo představeno nemalé množství, mnoho z nich s využitím strojového učení. Motivací tohoto výzkumu je nutná podmínka strojového učení v podobě referenčních (trénovačích) dat pro učení modelu - konkrétně dopad chybovosti v klasifikaci referenčních dat na přesnost modelované klasifikace výstupů modelu. K zjištění dopadu chybovosti trénovacích dat na výstup strojového učení pro klasifikaci mračen bodů elektrického vedení jsme použili metodu klasifikačních a regresních stromů (CART) implementovanou v programu Opals. V rámci výzkumu byly testovány datové sady s různou mírou a různým typem chybovosti referenčních dat a jejich vliv na výslednou přesnost byl porovnán s daty, které nebyly použity pro samotné učení modelu.