TreeLearn: A Comprehensive Deep Learning Method for Segmenting Individual Trees from 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、森林点群のセマンティックおよびインスタンス 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 \mbox{TreeLearn} を提案します。
以前の方法とは異なり、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、手作業できれいにセグメント化された 156 本の完全な木と 79 本の部分木を含む、手動でセグメント化された新しいベンチマーク フォレスト データセットを導入します。
これにより、個々のツリーの検出を評価するだけでなく、インスタンスのセグメンテーションのパフォーマンスを評価できるようになります。
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たアルゴリズムと同等以上のパフォーマンスを発揮することが示されています。
さらに、きれいにラベル付けされたベンチマーク データセットを微調整することで、このメソッドのパフォーマンスを大幅に向上させることができます。
TreeLearn コードは https://github.com/ecker-lab/TreeLearn から入手できます。
データとトレーニング済みモデルは https://doi.org/10.25625/VPMPID で見つけることができます。

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 \mbox{TreeLearn}, a deep learning-based approach for semantic and instance segmentation of forest point clouds. Unlike previous methods, TreeLearn is trained on already segmented point clouds in a data-driven manner, making it less reliant on predefined features and algorithms. Additionally, we introduce a new manually segmented benchmark forest dataset containing 156 full trees, and 79 partial trees, that have been cleanly segmented by hand. This enables the evaluation of instance segmentation performance going beyond just evaluating the detection of individual trees. 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 equally well or better than the algorithm used to generate its training data. Furthermore, the method’s performance can be vastly improved by fine-tuning on the cleanly labeled benchmark dataset. The TreeLearn code is availabe from https://github.com/ecker-lab/TreeLearn. The data as well as trained models can be found at https://doi.org/10.25625/VPMPID.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google