TreeLearn: A deep learning method for segmenting individual trees from ground-based LiDAR forest point clouds

要約

レーザースキャンされた森林の点群により、森林管理のための貴重な情報を抽出することが可能になります。
単一の木を考慮するには、森林点群を個々の木の点群にセグメント化する必要があります。
既存のセグメンテーション手法は通常、幹を識別してそこから樹木を成長させるなど、手作業で作成されたアルゴリズムに基づいており、樹冠が重なっている密林では困難に直面しています。
この研究では、森林点群のツリー インスタンス セグメンテーションのための深層学習ベースのアプローチである TreeLearn を提案します。
TreeLearn は、データ駆動型の方法ですでにセグメント化された点群でトレーニングされるため、事前定義された機能やアルゴリズムへの依存度が低くなります。
さらに、TreeLearn は完全自動パイプラインとして実装されており、広範なハイパーパラメータ調整に依存しないため、使いやすくなっています。
さらに、156 本の完全な木を含む、手動でセグメント化された新しいベンチマーク森林データセットを導入します。
データはモバイル レーザー スキャンによって生成され、モデル開発ときめ細かいインスタンス セグメンテーション評価のための大規模で多様なデータ ベースの作成に貢献します。
Lidar360 ソフトウェアを使用してラベル付けされた 6665 本の木の森林点群で TreeLearn をトレーニングしました。
ベンチマーク データセットの評価では、TreeLearn がトレーニング データの生成に使用されるアルゴリズムと同様に機能することがわかります。
さらに、手動でアノテーションを付けたデータセットを使用してモデルを微調整することで、パフォーマンスを大幅に向上させることができます。
私たちはベンチマーク データセットと Wytham Woods データセットで TreeLearn を評価し、最近の SegmentAnyTree、ForAINet、および TLS2Trees メソッドを上回るパフォーマンスを示しました。
TreeLearn コードと、この作業の過程で作成されたすべてのデータセットは、一般に公開されています。

要約(オリジナル)

Laser-scanned point clouds of forests make it possible to extract valuable information for forest management. To consider single trees, a forest point cloud needs to be segmented into individual tree point clouds. Existing segmentation methods are usually based on hand-crafted algorithms, such as identifying trunks and growing trees from them, and face difficulties in dense forests with overlapping tree crowns. In this study, we propose TreeLearn, a deep learning-based approach for tree instance segmentation of forest point clouds. TreeLearn is trained on already segmented point clouds in a data-driven manner, making it less reliant on predefined features and algorithms. Furthermore, TreeLearn is implemented as a fully automatic pipeline and does not rely on extensive hyperparameter tuning, which makes it easy to use. Additionally, we introduce a new manually segmented benchmark forest dataset containing 156 full trees. The data is generated by mobile laser scanning and contributes to create a larger and more diverse data basis for model development and fine-grained instance segmentation evaluation. We trained TreeLearn on forest point clouds of 6665 trees, labeled using the Lidar360 software. An evaluation on the benchmark dataset shows that TreeLearn performs as well as the algorithm used to generate its training data. Furthermore, the performance can be vastly improved by fine-tuning the model using manually annotated datasets. We evaluate TreeLearn on our benchmark dataset and the Wytham Woods dataset, outperforming the recent SegmentAnyTree, ForAINet and TLS2Trees methods. The TreeLearn code and all datasets that were created in the course of this work are made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google