Demostrador

Inicio

Pipeline

Vista RGB—Nube de puntos en color fotográfico real

vsResultado final

Cargando visualización…

◀▶

Vista RGB

Resultado final

⇔Arrastra para comparar

Proveedor de datos

Canteras de Santullán S.A.

Resumen

95.1%

Overall Accuracy

92.6%

Precision

96.4%

Recall

94.3%

F1 Score

Métricas completas

IoU?

Intersection over Union (macro)Solapamiento predicción/ground truth por clase, promediado sin ponderar. En nubes 3D los valores de referencia son más bajos que en imagen 2D.0–100% · >40% aceptable · >60% bueno en 3D

89.3%

wP?

Weighted PrecisionPrecision de cada clase ponderada por su soporte (nº de puntos). Refleja el rendimiento práctico ponderado por la distribución real del dataset.0–100%

95.4%

wR?

Weighted RecallRecall de cada clase ponderado por su soporte. En clasificación punto a punto con clases mutuamente excluyentes, su valor numérico coincide con la Overall Accuracy.0–100% · Valor esperado ≈ OA

96.4%

wF1?

Weighted F1 ScoreMedia armónica de wPrecision y wRecall, ponderada por el soporte de cada clase. Métrica de síntesis más informativa que la OA con clases desbalanceadas.0–100%

94.3%

wIoU?

Weighted IoUIoU de cada clase ponderado por su soporte. Da más peso a las clases con más puntos. El IoU macro es más sensible al rendimiento en clases minoritarias.0–100%

90.8%

MCC?

Matthews Correlation CoefficientCorrelación entre predicciones y ground truth. Considera todos los elementos de la matriz de confusión. Fiable con clases desbalanceadas.-100 a 100 · cerca de 0 = sin correlación · 100 = perfecto

93.3%

Kappa?

Cohen's KappaAcuerdo entre el modelo y el ground truth corregido por el acuerdo esperado por azar. Más robusto que la OA en datasets desbalanceados.0–100% · <40% débil · 60–80% bueno · >80% muy bueno

93.3%

Macro vs Weighted

Métrica

Macro

Weighted

Precision

92.6%

95.4%

Recall

96.4%

94.3%

IoU

89.3%

90.8%

Macro = media aritmética por clase, sin ponderar. Más sensible al rendimiento en clases minoritarias. Weighted = ponderado por el soporte de cada clase (nº de puntos). Refleja mejor el impacto práctico sobre el dataset real.

Guía de capas

Vista RGB
Nube de puntos coloreada con sus colores RGB reales (fotogrametría o cámara co-registrada con el LiDAR). Sirve de contexto visual previo al análisis del modelo.

Nube en bruto
Nube de puntos 3D sin etiquetar. El color codifica intensidad de retorno LiDAR o elevación normalizada.

Máscara de error
Probabilidad de acierto por punto respecto al ground truth. Rojo = error probable. Blanco/gris = clasificación correcta.

Incertidumbre
Entropía de la distribución de probabilidades de clase por punto. Amarillo = máxima duda. Morado = alta confianza.

Ground truth
Etiquetado semántico manual validado por especialistas. Referencia contra la que se calculan todas las métricas del modelo.

Resultado final
Predicción del modelo sobre la nube completa. Cada punto tiene asignada su clase semántica. Output principal de VL3D++.

Pipeline

Vista RGB—Nube de puntos en color fotográfico real

vsResultado final

Cargando visualización…

◀▶

Vista RGB

Resultado final

⇔Arrastra para comparar

Proveedor de datos

Canteras de Santullán S.A.

Resumen

95.1%

Overall Accuracy

92.6%

Precision

96.4%

Recall

94.3%

F1 Score

Métricas completas

IoU?

89.3%

wP?

Weighted PrecisionPrecision de cada clase ponderada por su soporte (nº de puntos). Refleja el rendimiento práctico ponderado por la distribución real del dataset.0–100%

95.4%

wR?

96.4%

wF1?

Weighted F1 ScoreMedia armónica de wPrecision y wRecall, ponderada por el soporte de cada clase. Métrica de síntesis más informativa que la OA con clases desbalanceadas.0–100%

94.3%

wIoU?

Weighted IoUIoU de cada clase ponderado por su soporte. Da más peso a las clases con más puntos. El IoU macro es más sensible al rendimiento en clases minoritarias.0–100%

90.8%

MCC?

93.3%

Kappa?

93.3%

Macro vs Weighted

Métrica

Macro

Weighted

Precision

92.6%

95.4%

Recall

96.4%

94.3%

IoU

89.3%

90.8%

Guía de capas

Vista RGB
Nube de puntos coloreada con sus colores RGB reales (fotogrametría o cámara co-registrada con el LiDAR). Sirve de contexto visual previo al análisis del modelo.

Nube en bruto
Nube de puntos 3D sin etiquetar. El color codifica intensidad de retorno LiDAR o elevación normalizada.

Máscara de error
Probabilidad de acierto por punto respecto al ground truth. Rojo = error probable. Blanco/gris = clasificación correcta.

Incertidumbre
Entropía de la distribución de probabilidades de clase por punto. Amarillo = máxima duda. Morado = alta confianza.

Ground truth
Etiquetado semántico manual validado por especialistas. Referencia contra la que se calculan todas las métricas del modelo.

Resultado final
Predicción del modelo sobre la nube completa. Cada punto tiene asignada su clase semántica. Output principal de VL3D++.