Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination

要約

LiDAR (Light Detection and Ranging) は、生物圏モニタリングに使用されるリモート センシング ツールボックスの重要な部分になっています。
特に、LiDAR は、森林の葉の面積を前例のない精度でマッピングする機会を提供しますが、葉の面積は依然として植生と大気の間のガス交換のモデルに影響を与える不確実性の重要な源です。
無人航空機 (UAV) は移動が簡単なため、気候変動に対する植生の反応を追跡するために頻繁に再訪することができます。
しかし、UAV に搭載された小型センサーは通常、限られた密度の点群を提供し、徐々に強くなるオクルージョンによる天蓋の上部から底部への密度の大幅な減少によってさらに影響を受けます。
このような状況では、特に強いクラスの不均衡と空間的に不規則なサンプリング強度により、葉の点と木の点を区別することは大きな課題となります。
ここでは、ポイント ジオメトリのみ (スペクトル情報を除く) を利用する Pointnet ++ アーキテクチャに基づくニューラル ネットワーク モデルを紹介します。
局所的なデータの希薄性に対処するために、局所的な重要な幾何学的情報を保存するよう努める革新的なサンプリング スキームを提案します。
また、深刻な階級不均衡に適応した損失関数も提案します。
私たちのモデルが UAV 点群上の最先端の代替モデルよりも優れていることを示します。
特に樹冠の下から取得されるより高密度の点群に関して、将来の可能な改善について説明します。

要約(オリジナル)

LiDAR (Light Detection and Ranging) has become an essential part of the remote sensing toolbox used for biosphere monitoring. In particular, LiDAR provides the opportunity to map forest leaf area with unprecedented accuracy, while leaf area has remained an important source of uncertainty affecting models of gas exchanges between the vegetation and the atmosphere. Unmanned Aerial Vehicles (UAV) are easy to mobilize and therefore allow frequent revisits to track the response of vegetation to climate change. However, miniature sensors embarked on UAVs usually provide point clouds of limited density, which are further affected by a strong decrease in density from top to bottom of the canopy due to progressively stronger occlusion. In such a context, discriminating leaf points from wood points presents a significant challenge due in particular to strong class imbalance and spatially irregular sampling intensity. Here we introduce a neural network model based on the Pointnet ++ architecture which makes use of point geometry only (excluding any spectral information). To cope with local data sparsity, we propose an innovative sampling scheme which strives to preserve local important geometric information. We also propose a loss function adapted to the severe class imbalance. We show that our model outperforms state-of-the-art alternatives on UAV point clouds. We discuss future possible improvements, particularly regarding much denser point clouds acquired from below the canopy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google