Un pipeline de procesamiento, aprendizaje y evaluación diseñado para trabajar directamente sobre datos 3D.
A diferencia de otros enfoques, VL3D++ no convierte la nube en imágenes 2D.
El aprendizaje se realiza directamente sobre la estructura espacial de los puntos.
Esto permite:
Son la base de la entrada a los modelos. VL3D++ utiliza vecindades esféricas o rectangulares para capturar el entorno local de cada punto. Se emplean métodos avanzados como el Grid Subsampling (división en celdas), FPS (Furthest Point Sampling) para una cobertura óptima, y versiones jerárquicas que permiten a la red aprender características a diferentes escalas de resolución.
El framework implementa el estado del arte en procesamiento 3D. Soporta desde el clásico PointNet/PointNet++ hasta convoluciones sobre puntos (KPConv) y redes de convolución dispersa (Sparse 3D) que optimizan drásticamente el uso de memoria. Estos modelos suelen envolverse en estructuras de tipo autoencodificador jerárquico (U-Net) para una segmentación densa y precisa.
Los modelos entrenados se integran en un Predictive Pipeline. Durante la inferencia, se procesa la nube por bloques o vecindades solapadas, permitiendo analizar nubes de puntos masivas que superan la capacidad de la memoria RAM mediante secuenciadores especializados.
VL3D++ trabaja directamente sobre nubes de puntos 3D generadas por LiDAR aéreo o terrestre, fotogrametría, escáneres 3D, reconstrucciones volumétricas (TAC/RM), sensores de profundidad, batimetría o escaneo industrial, etc. Opera sobre la geometría 3D sin necesidad de convertir los datos en imágenes ni pasar por representaciones 2D intermedias.
Aplicación de componentes de Data Mining para la extracción de características geométricas, volumétricas, de altura y color (HSV). Uso de Transformers para la normalización y limpieza de datos (Imputers), junto a Decoradores que permiten el submuestreo inteligente (FPS) y el suavizado de la estructura (Simple smoother).
Para poder analizar la nube, el sistema no procesa todos los puntos a la vez. Selecciona puntos de interés y define su vecindad local, es decir, el conjunto de puntos cercanos que aportan contexto geométrico. Esa vecindad se define mediante volúmenes geométricos como esferas, cubos o cilindros que encapsulan el entorno espacial de cada punto.
Configuración modular mediante archivos JSON que definen el flujo exacto del pipeline. Incluye estrategias avanzadas de validación como Stratified K-folding, técnicas de balanceo de clases (SMOTE) y optimización dinámica de hiperparámetros (Grid/Random Search).
Las nubes de puntos son desordenadas por naturaleza. Una red neuronal necesita entradas ordenadas y de tamaño fijo. Aquí está una de las claves técnicas de VL3D++. Las vecindades se transforman en estructuras regulares llamadas campos receptivos. Esta es la clave: convertir puntos desordenados en entradas que una red neuronal pueda procesar.
Los campos receptivos alimentan a la red neuronal profunda. La red aprende patrones geométricos complejos directamente sobre la estructura 3D, sin trabajar con imágenes ni proyecciones 2D.
El modelo genera una predicción para cada campo receptivo, asignando clases y niveles de confianza a los puntos analizados en ese entorno local. En este punto, el resultado aún está fragmentado en pequeñas porciones de nube.
Las predicciones locales se propagan y agregan hasta reconstruir la nube de puntos original, ahora completamente clasificada. Este proceso se repite de forma sistemática hasta cubrir toda la nube.
Generación de un Predictive Pipeline serializado que encapsula todo el conocimiento del modelo. Evaluación automática de resultados mediante métricas estándar (OA, R, P, F1-score, IoU) y creación de informes visuales detallados. Una vez construido el modelo, el sistema genera información adicional para evaluar la calidad del resultado: • Zonas donde el modelo se equivoca • Zonas donde el modelo tiene dudas • Métricas cuantitativas estándar punto a punto.
VL3D++ no necesita que un experto clasifique miles de nubes a mano.
El sistema detecta automáticamente dónde tiene dudas y pide ayuda solo en esas zonas.
Empezamos con unas pocas nubes ya clasificadas.
El modelo aprende a reconocer patrones en 3D.
Clasifica nuevas nubes y detecta dónde no está seguro.
El experto revisa solo esas zonas y el sistema mejora.
El modelo aprende, detecta dónde duda, el experto corrige errores y el sistema mejora solo.
Paradigma "Human-in-the-loop".
Un enfoque de entrenamiento semiautomático donde un experto humano (oráculo) colabora con el modelo. Permite trabajar con grandes volúmenes de datos no etiquetados, optimizando el tiempo de supervisión manual.
Ciclo de Refinamiento Iterativo.
El proceso comienza con un "presupuesto inicial" (un pequeño conjunto de datos etiquetados). El modelo entrena, predice sobre el resto de la nube y el experto interviene para corregir y validar los resultados más críticos.
Selección Guiada por Incertidumbre.
El sistema identifica automáticamente las regiones donde el modelo tiene más dudas (alta incertidumbre). El experto solo etiqueta estas zonas clave, lo que maximiza la mejora del modelo con el mínimo esfuerzo humano.
Eficiencia en el Etiquetado.
Al centrar la atención humana en los puntos más informativos, se logra una precisión de vanguardia sin la necesidad de procesar manualmente miles de millones de puntos de forma exhaustiva.
AprendePruebaDudaCorrigeAprende mejor
Menos trabajo manual. Mejores resultados. Cada iteración mejora el modelo.
VER CÓMO FUNCIONACada clasificación se acompaña de métricas estándar
que permiten evaluar objetivamente el resultado:
Exactitud Global
Precisión
Exhaustividad
Puntuación F1
Jaccard Index
wP, wR, wF1, wIoU
MCC
Kappa
Es un pipeline completo para procesar, evaluar y mejorar
automáticamente clasificaciones 3D sobre cualquier tipo de nube.
Colaboración, investigación y transferencia tecnológica
Fomentamos un ecosistema de innovación abierta y colaboración continua entre la academia y la industria. Nuestro equipo técnico e investigador puede orientarte para explorar cómo aplicar VL3D++ en tu caso, colaborar en investigación o estudiar vías de transferencia tecnológica. Todo aquel interesado en la clasificación profesional de nubes de puntos, o que requiera el desarrollo de alguna funcionalidad técnica concreta para sus flujos de trabajo, puede ponerse en contacto directamente con nuestro equipo de desarrollo. Estamos abiertos a proyectos de investigación conjunta, transferencia tecnológica y soporte avanzado para la implementación del framework en entornos productivos.
