MTD M13

Deep learning

- Split data point cloud menjadi training, testing, dan validation

- Random forest hanya menggunakan X,Y,Z dan R,G,B kalau deep learning terdapat 8
features + instensity dan Label
- Label untuk melabeli point cloud non gorund dan gorund sehingga untuk
mereprsesentasikan point cloud yang ada disit
- Validation dataset : bertujuan untuk memvalidasi model yang terbentuk, kenapa harus
divalidasi modelnya? Karena berbasis supervised classifacation maka dari data training
yang udah dibuat akan membuat data terrain model, kita gatau data tersebut baik atau
engga sehingga perlu divalidasi sehingga dapat fit pada digunakan pada daerah yang telah
ditentukan.
- Indikator training / train model sudah baik :
1. Nilai lossest : makin kecil / pendek dia menjadi indikator bahwa terrain model kita
baik
2. Nilai akurasi

Maka perlu ground thrut / point cloud yang dianggap betul

- Test Dataset : untuk mengkelaskan data riil yang digunakan. Misal 100 km data las foring
lalu diambil sedikit area pada bagian ujung sebagai data training kemudian data
validation juga diambil 3-4 diantara ujung tersebut, lalu ditestingkan ke daerah kita
apakah fit atau tidak dengan cara dipotong untuk sesuai dengan lokasi kita. Smekain
banyak data training semakin bagus

Training Area
ValidaVtion Area

Dikelaskan secara manual : mana

yang ground dDan non ground
Dikelaskan secara manual : mana
yang ground danD non ground
- Data validation : harus dibuat manual classification harus ada 2 label juga, lalu digunakan
machine learning berbasis random forest, lalu berdasarkan data tersebut dibuat train
model. Train model berisi nilai-nilai statictical, features yang kemudian mendefinisikan
bahwa groynd itu elevasi sekian, roughness sekian.
- Kalau ternyata lossestnya tinggi dan akurasi kurang baik perlu dilakukan bisa ada 2
pendekatan :
1. Menambahkan training sample tidak hanya 1 saja
2. Perlu menggunkana model yang lain (CNN, pointed??)

Penyebabnya :

1. Pada saat dikelaskan maish kurang presize dia harusnya ground tapi masuk non
ground
2. Random forest tidak cocok untuk mengkelaskan didaerah tersebut
- Ketika melakukan prediksi untuk area luas itu untuk training sample dan validation
sisanya untuk testing. Testing bisa saja disemua area
- Indikator dalam pembuaatn train apakah dia fit atau tidak :
1. Y nilai losset, X epoch, saat mentraining sebuah AI itu akan dilakukan berjam-jam
bahkan berhari-hari akan muncuk berbagai epoch tetapi harus di kontrol perlu
diiterasi agar semakin rendah tetap terkadang dia naik, jika naiknya hanya singkat /
kecil kemudian polanya turun. Ketika sudah mentok / epok optimal maka lossest akan
naik. Epoch berapa dia optimal amka akan dicut maka training model akan terbentuk
2. Semakin rendah losstenya maka accuracynya tinggi
- Meotde /cara memvalidasi DTM
1. Kalau melakukan classification yang pelru diuji adalah akurasi dari klasifikasi,
meskipun losset dan akurasinya sudah bagus lalu ditesting ke area, maka perlu
akurasi klasifikasi juga bisa dengan matriks konfusi
2. Bagaimana cara untuk menguji DTMnya yaitu dengan linear eror agar tahu seberapa
akurat DTM yang dihasilkan
Dari point cloud- DTM – uji DTM - sehingga bisa dijadikan peta skala tertentu
-
-

Soal :

- Bagaimana kalau data point cloud itu dibentuk dari foto udara dan LiDAR? Kalau dia
berbasis RAS dia membentuk DTMnya apakah pakai LAS Lidat atau foto udara untuk
klasifikasi
- Bagaimana data point cloud itu dibentuk dari sepasang foto udara?
Dari sepasang foto udara bagaimana dia bisa mendapatkan titik objek besar 3D? kita foto
image 1 image 2 kemudian didapatkan data point cloud diground misla ada bangunan
bagaimana dia berproses dia mendapatkan nilai point cloud tadi? Dari image acuasition
kalau data image diperoleh yang pertama kali dilakukan oleh software fotogrametri
adalah image matching atau mengekstrak features. Features difoto 1 itu ini, setelah
mencari di matchingkan, dari data image tie points itu maka melakukan proses Interior
orientation paramater atau mengkalibrasi kamera. Karena kalibrasi gamasukin GCP tapi
kok bisa dapet IOP karena ada Tie Points untuk mencari hal tersebut sehingga
emngasilkan parameter kalibrasi kamera. Dari tie points yang banyak kemudian
ditambahkan dengan GCP maka mulailah proses triangulasi udara. Hasil dari triangulasi
udara adalah EOP untuk tiap-tiap image / camera. Kalau menggunakan agisfot tie point
matching, kalibrasi kamera, dan triangylasi udara dia dibundle dalam 1 proses yaitu align.
Dia menghasilkan sparse cloud / tie point yang punya nilai 3Dnya x,y,znya. Begitu ada
nilai omega,phi kappa, x,y,z bisa melakuka 3d construction. Kemudian dia refinement
lagi. Dia dirifinement karena bisa jadi kita menambahkan GCP, memodif ICP atau
mengurangi GCP samapi menghasilkan RMS yang memenuhi kriteri maka perlu di
refine, dia ada ditahapan optimize, maka nilai EOPnya berubah tetapi hanya kecil
harapannya bisa melakukan 3D reconstruction dengan presize. Lalu ada dense image
matching / SFFM/ MFS, SFFM (structer Feature ..) merupakan tahapan dari bertujuan
untuk mendapatkan posisi kamera itu secara 3D productnya adalah sparse cloud dia
prosesnya adalah dari refrishment keatas. MFS adalah proses dense image matching yang
 menghasilkan dense cloud dengan algortima semi global matching. Baru kemduian
mendapatkan data pointcolud 3D yang digunakan untuk kontur DTM.
- Bagaimana data point cloud itu dibentuk dari data LiDAR dan berikan ilustrasinya?
Pertama LiDAR pasti direct georeferencing kalau foto indirect kok tau dia indirect
dengan cirikhas ada proses triangulasi udara untuk menghitung EOP, kalau EOP didapat
saat udah terbang maka itu direct georeferencing maka butuh base station. Karena direct
saat dia terbang maka setiap detik dia harus menggekstrak nilai x,y,znya dari GPS/ satelit
omega, phi, kappa dari IMU. Tetapi hanya mendapatkan nilai oosisi trajectornya belum
mendapatkan nilai koordinat point cloud. Dengan direct itu hanya mendapatkan
poligonnya saja tapi belum mendaptkan 3D dibawah / objeknya. Untuk mendapatkan 3D
dibawah dia perlu sensor lidar berbasis time off fly sampai menemukan jarak. Kemduian
jarak ini dikompitasi dalam sistem lidar dengan menggunakan nilai dari x,y,z dan omega,
phi, kappanya itu nanti bisa tau arahnya, sudut vetikal berapa, horizontal berapa. Dari
jarak dan sudut itu bsia diperoleh nilai point cloud di bawah dengan nilai koordinat
X,Y,Z. Prosesnya nanti ada pengolahan trajectory dia mengkombinasikan anatara sistem
GPS , IMU, dan GPS samapi dia mendapatkan niali koordinat point cloudnya.
- Pembentukan DTM