Towards general deep-learning-based tree instance segmentation models

要約

森林の点群から個々の樹木をセグメンテーションすることは、炭素貯留量の推定など、下流の分析において極めて重要なタスクである。近年、樹木のセグメンテーションを学習する可能性を示す、深層学習ベースの手法が提案されている。これらの手法は教師ありの方法で学習されるため、幅広い設定に適用できる一般的なモデルをどのように得られるかという疑問が生じる。これまでのところ、学習は主に1つの特定のレーザースキャンから得られたデータと、特定のタイプの森林に対して行われてきた。本研究では、ドメインシフト下での汎化能力に関する知見を得るために、文献に見られる7つの多様なデータセットを用いて、1つのセグメンテーションモデルを様々な条件下で訓練する。その結果、針葉樹が支配的な疎な点群から、落葉樹が支配的な高解像度の点群への汎化が可能であることが示唆された。逆に、定性的な証拠から、高解像度点群から低解像度点群への汎化は困難であることが示唆された。このことから、モデル開発には多様なデータ特性を持つ森林点群の必要性が強調される。利用可能なデータ基盤を充実させるため、2つの先行研究によるラベル付き樹木を完全な森林点群に伝播させ、https://doi.org/10.25625/QUTUWU。

要約(オリジナル)

The segmentation of individual trees from forest point clouds is a crucial task for downstream analyses such as carbon sequestration estimation. Recently, deep-learning-based methods have been proposed which show the potential of learning to segment trees. Since these methods are trained in a supervised way, the question arises how general models can be obtained that are applicable across a wide range of settings. So far, training has been mainly conducted with data from one specific laser scanning type and for specific types of forests. In this work, we train one segmentation model under various conditions, using seven diverse datasets found in literature, to gain insights into the generalization capabilities under domain-shift. Our results suggest that a generalization from coniferous dominated sparse point clouds to deciduous dominated high-resolution point clouds is possible. Conversely, qualitative evidence suggests that generalization from high-resolution to low-resolution point clouds is challenging. This emphasizes the need for forest point clouds with diverse data characteristics for model development. To enrich the available data basis, labeled trees from two previous works were propagated to the complete forest point cloud and are made publicly available at https://doi.org/10.25625/QUTUWU.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL