Este tutorial está diseñado para que puedas correr rápidamente con Canupo.

Los
ejercicios son todos opcionales
pero te enseñará trucos útiles.
Paso 1: descarga y descomprime CANUPO, luego ingresa al directorio
"tutorial". Encontrarás el siguientes archivos:
floor.xyzEsta es la muestra de piso que se muestra en la descripción general.
Esta es la muestra de vegetación que se muestra en la descripción
vegetation.xyz
general.
scene.xyz Un extracto de escena para probar la clasificación.

Son archivos de texto simples que contienen coordenadas x, y, z en cada línea,

fáciles de usar. Nosotros te recomiendo que los abras con el muy útil software
gratuito CloudCompare que puede ser descargado en
http://www.danielgm.net/cc/ .

Ejercicio: extraiga otro piso y muestra de vegetación de la escena usando la

herramienta de tijeras de CloudCompare.

Paso 2: elige un conjunto de escalas relevante. Piensa en cómo se ve el objeto

1D, 2D o 3D en varias escamas. En este caso, más de 20 cm, la vegetación ya
parece una gran bola 3D, mientras que el piso se ve plano Lo ideal es utilizar
escalas bajas para refinar la clasificación (por ejemplo, detectar un parche) del
suelo debajo de una rama de vegetación), pero el piso está ondulado, por lo que
puede ser demasiado bajo (<5 cm)

Introducir componentes espurios 3D. Todo esto es aproximado como debería

ser, confíe en su intuición y no te preocupes, los clasificadores son lo
suficientemente robustos como para pequeñas variaciones.

Ahora, extraiga las características de piso y vegetación de escala múltiple

usando canupo. Abra una terminal (Unix) o dos líneas de comando (Windows)
en el directorio tutorial, y escriba las dos líneas siguientes (deberá trabajar en
ambos sistemas):
../canupo 0.04: 0.02: 0.2: floor.xyz floor.xyz floor.msc
../canupo 0.04: 0.02: 0.2: vegetation.xyz vegetation.xyz vegetation.msc

Esto calcula las características multiescala de 4 cm a 20 cm cada 2 cm en ambas

muestras. A entender por qué los nombres están duplicados escriba ../canupo sin
argumentos para ver ayuda, y lea el artículo. Esto está relacionado con los
puntos centrales, un conjunto reducido de puntos de referencia para realizar
los cálculos cuando los datos son demasiado grandes. Aquí calculamos las
características en cada punto en el muestra.
Ejercicio 1: ejecute la herramienta ../resample sin argumentos para obtener
ayuda. Luego genera un conjunto de puntos centrales para el archivo
scene.xyz, usando un submuestreo espacial de 4 cm. Una vez hecho esto,
ejecuta el ../canupo comando en la escena, utilizando sus puntos centrales para
cálculos más rápidos (en comparación con el tiempo utilizado sin puntos
centrales).

Ejercicio 2: ejecute la herramienta ../density sin argumentos para obtener

ayuda. Luego genere gráficos de densidad para el archivo msc que
generaste Mira cómo se ven la vegetación y el piso a diferentes escalas

Paso 3: crea un clasificador a partir de las muestras con el siguiente comando:

../suggest_classifier_lda proposal.svg: vegetation.msc floor.msc
Escriba ../suggest_classifier_lda sin argumentos para obtener ayuda sobre la
sintaxis. Básicamente, eres diciéndole al programa que escriba un clasificador
en el archivo proposal.svg que separará los dos clases con solo una muestra en cada
clase (una de vegetación, otra de piso). Mira la descripción general hoja en la
sección anterior para una instantánea del archivo SVG. Notarás que dos blobs
son separados por una línea. El blob de la izquierda representa todos los puntos
del piso, el de la derecha, todo el puntos de vegetación Ahora puede verificar
que los blobs están bien separados. Lee el artículo para entender cómo se realizó
la transformación.

Ejercicio 1: los archivos SVG son archivos de gráficos vectoriales (y también

son archivos de texto). Te recomendamos
abra el archivo proposal.svg con el excelente software gratuito de Inkscape que se
puede descargar en http://www.inkscape.org/ .

Ejercicio 2: si generó las características de escala múltiple para toda la escena

en el Paso 2, entonces úselos como información no etiquetada para mejorar el
clasificador. Consulte la ayuda proporcionada por ../suggest_classifier_lda sin
argumento. Compare los archivos SVG resultantes.

Ejercicio 3: Ejecute ../suggest_classifier_svm sin argumentos para obtener

ayuda. Luego ejecútalo en lugar del clasificador LDA en el ejemplo. Cambiar
el tamaño de validación cruzada de la cuadrícula de búsqueda SVM (el N
parámetro) y ver cómo esto afecta la calidad del clasificador generado. En la
práctica, el LDA el clasificador funciona igual si no es mejor que el SVM y es
mucho más rápido.

Paso 4: validar el clasificador ../validate_classifier proposal.svg classifier.prm

Este paso simplemente significa que está contento con el clasificador
predeterminado.
Ejercicio: edite la ruta de límite de decisión en el archivo SVG con Inkscape
antes de validarlo. Por ejemplo al agregar y mover algunos puntos en la
ruta. Puede obtener fácilmente poderosos no lineales clasificadores de esta
manera. Esto también es conveniente si desea favorecer a una clase sobre la
otra, por ejemplo aquí puede mover el límite de decisión lejos de la muestra de
vegetación. No es realmente útil aquí, pero en situaciones donde las dos
manchas se superponen, esta es una manera fácil de hacer clasificadores
desequilibrados (por ejemplo: Es posible que desee asegurarse de eliminar
toda la vegetación, incluso si pierde un poco más de piso en cada base de
parche de vegetación).

Paso 5: clasifica la escena. Primero, genere la representación multiescala para

toda la escena si no lo hizo ya como ejercicio en el Paso 2. Tenga en cuenta que
puede leer la lista de escalas directamente del archivo clasificador:

../canupo classifier.prm: scene.xyz scene.xyz scene.msc

Luego clasifica toda la escena:
../classify clasificador.prm scene.xyz escena.msc resultado.xyz

Abra el archivo result.xyz con CloudCompare y especifique en el cuadro de

diálogo abierto que el cuarto la columna es un campo "escalar> 0". Esto le dará
a cada clase un color distinto.

Ejercicio 1: Agregue un umbral de confianza de 0.95, simplemente agregando

0.95 al final de la clasificación línea de comando arriba. Abra el archivo de
resultados nuevamente. Notarás que se agregó un tercer color para
regiones que no pueden clasificarse con más del 95% de confianza. Tenga en
cuenta cómo estos están precisamente en el base de los parches de vegetación,
y también cómo los parches pequeños dentro de los enigmas son correctos
Reconocido.

Ejercicio 2: Usa los puntos centrales de la escena del Paso 2, ejercicio 1.

Compara el tiempo de cálculo, pero También haga zoom en un parche de
vegetación clasificado en CloudCompare para entender qué era el tradoff
made: la clasificación de cada punto de escena ahora se asigna a la del punto
central más cercano.

Ejercicio 3: utilice la utilidad ../filter para eliminar toda la vegetación de la

escena clasificada, usando una condición en la cuarta columna que contiene la
clase de cada punto.

Un extracto de la escena de ejemplo en este tutorial. La vegetación se muestra

en verde, el suelo en rojo, las zonas para las que la confianza de clasificación
es inferior al 95% se muestran en azul. Nota la acertijos y la acumulación de
sedimentos río abajo. Esta es una instantánea usando Cloud Compare of
el resultado que obtendrá en el Paso 5, Ejercicio 1.