В работе рассмотрены методы сегментации частей транспортной сети из городского облака точек и выполнении соответствующей классификации, таких как категории Пешеходная дорожка и Транспортная дорога. Алгоритмы сегментации реализованы методами глубокого машинного обучения. В работе исследованы зависимости времени обучения от объёма облака точек и точности распознавания от плотности точек в обучающей выборке. В качестве прикладной задачи приведён пример построения кратчайшего пути между точками, заданными в облаке.

The paper considers methods for segmenting parts of the transport network from the urban point cloud and performing the appropriate classification, such as the categories Pedestrian path and Transport Road. Segmentation algorithms are implemented by deep machine learning methods. In this paper, the dependences of the training time on the volume of the to-check cloud and the accuracy of recognition on the density of points in the training sample are investigated. As an applied problem, an example of constructing the shortest path between points specified in the cloud is given.