| Název: | Label errors in point cloud in training data for classification using machine learning |
| Další názvy: | Dopad chybovosti trénovacích dat na výstup strojového učení pro klasifikaci mračen bodů elektrického vedení |
| Autoři: | Beran, Daniel Li, Nan Pfeifer, Norbert |
| Citace zdrojového dokumentu: | BERAN, D., LI, N., PFEIFER, N. Label errors in point cloud in training data for classification using machine learning. In: Symposium GIS Ostrava 2020 Prostorová data pro Smart City a Smart Region. Ostrava: Vysoká škola báňská-Technická univerzita Ostrava, 2020. s. 1-5. ISBN 978-80-248-4398-8 , ISSN 1213-239X. |
| Datum vydání: | 2020 |
| Nakladatel: | Vysoká škola báňská-Technická univerzita Ostrava |
| Typ dokumentu: | konferenční příspěvek conferenceObject |
| URI: | http://hdl.handle.net/11025/41918 |
| ISBN: | 978-80-248-4398-8 |
| ISSN: | 1213-239X |
| Klíčová slova: | mračno bodů;LiDAR;ULS;strojové učení;elektrické vedení |
| Klíčová slova v dalším jazyce: | point cloud;LiDAR;ULS;machine learning;power line |
| Abstrakt: | 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. |
| Abstrakt v dalším jazyce: | One of the applications of ULS (UAV-borne laser scanning) lies in power line inspection. However, with LiDAR data (i.e. point clouds) comes the need for reliable automatic classification, also called semantic segmentation, of data which allows further analysis of gathered data. Vast number of possible methods for automatic classification of point clouds have been proposed and implemented, many of which depend on machine learning. Motivation for this research is the need for pre-classified data for training of machine learning models, specifically the impact of label accuracy/error in the pre-classified data used for machine learning classification. To find out what is the impact of error levels of labels on machine learning classification of power line point clouds we have used the method of Classification and regression trees (CART) using Opals software. During this research several tests were conducted with various levels and types of error in class labelling of training data and the results were compared with correctly labelled data to calculate confusion matrices and thus evaluate the impact of different error levels. |
| Práva: | Plný text není přístupný. © Vysoká škola báňská-Technická univerzita Ostrava |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KGM) OBD |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| gis20205e65e837ad124.pdf | 357,26 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/41918Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.