論文の概要: Wood-leaf classification of tree point cloud based on intensity and geometrical information

• arxiv url: http://arxiv.org/abs/2108.01002v1
• Date: Mon, 2 Aug 2021 16:04:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:14:02.990382
• Title: Wood-leaf classification of tree point cloud based on intensity and geometrical information
• Title（参考訳）: 強度と幾何学的情報に基づく樹木点雲のウッドリーフ分類
• Authors: Jingqian Sun, Pei Wang, Zhiyong Gao, Zichu Liu, Yaxin Li, Xiaozheng Gan
• Abstract要約: 地上レーザースキャン(TLS)は、高精度で高密度のツリーポイント雲を得ることができる。 樹木の構造パラメーターと生態特性を研究するためには,木点と葉点の効率的な分類が不可欠である。 自動木葉分類を実現するために3段階の分類と検証手法が提案された。
• 参考スコア（独自算出の注目度）: 22.738466338122418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terrestrial laser scanning (TLS) can obtain tree point cloud with high precision and high density. Efficient classification of wood points and leaf points is essential to study tree structural parameters and ecological characteristics. By using both the intensity and spatial information, a three-step classification and verification method was proposed to achieve automated wood-leaf classification. Tree point cloud was classified into wood points and leaf points by using intensity threshold, neighborhood density and voxelization successively. Experiment was carried in Haidian Park, Beijing, and 24 trees were scanned by using the RIEGL VZ-400 scanner. The tree point clouds were processed by using the proposed method, whose classification results were compared with the manual classification results which were used as standard results. To evaluate the classification accuracy, three indicators were used in the experiment, which are Overall Accuracy (OA), Kappa coefficient (Kappa) and Matthews correlation coefficient (MCC). The ranges of OA, Kappa and MCC of the proposed method are from 0.9167 to 0.9872, from 0.7276 to 0.9191, and from 0.7544 to 0.9211 respectively. The average values of OA, Kappa and MCC are 0.9550, 0.8547 and 0.8627 respectively. Time cost of wood-leaf classification was also recorded to evaluate the algorithm efficiency. The average processing time are 1.4 seconds per million points. The results showed that the proposed method performed well automatically and quickly on wood-leaf classification based on the experimental dataset.
• Abstract（参考訳）: 地上レーザー走査(TLS)は高精度で高密度のツリーポイント雲を得ることができる。 樹木の構造パラメータと生態特性を研究するためには,効率的な木点と葉点の分類が不可欠である。 強度情報と空間情報の両方を用いて,自動木葉分類を実現するために3段階の分類と検証手法を提案した。 木点雲は,強度閾値,近傍密度,ボクセル化によって,木点と葉点に分類した。 実験は北京のハイディアンパークで行われ、RIEGL VZ-400スキャナーを用いて24本の木がスキャンされた。 木点雲は,本手法を用いて処理され,その分類結果と標準値として使用した手動分類結果との比較を行った。 分類精度を評価するために, 総合精度 (oa), kappa係数 (kappa) およびマシューズ相関係数 (mcc) の3つの指標を用いた。 提案手法のOA, Kappa, MCCの範囲は0.9167から0.9872, 0.7276から0.9191, 0.7544から0.9211である。 OA、Kappa、MCCの平均値はそれぞれ0.9550、0.8547、0.8627である。 木葉分類の時間費用も,アルゴリズムの効率を評価するために記録された。 平均処理時間は1億ポイントあたり1.4秒である。 その結果,本手法は実験データに基づく木葉分類において,自動的かつ迅速に動作することがわかった。

関連論文リスト

• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• WLC-Net: a robust and fast deep-learning wood-leaf classification method [14.043846409201112]
  Wood-Leaf Classification Network (WLC-Net)は、PointNet++から派生したディープラーニングモデルである。 WLC-Netは、線形性を固有の特徴として取り入れることで、分類精度、完全性、速度を向上させる。 WLC-Netは優れた性能を示し、OAスコアは0.9778、0.9712、0.9508、mIoUスコアは0.9761、0.9693、0.9141、F1スコアは0.8628、0.7938、0.9019となった。
  論文  参考訳（メタデータ） (2024-05-29T03:39:23Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Hyperspectral and LiDAR data for the prediction via machine learning of tree species, volume and biomass: a possible contribution for updating forest management plans [0.3848364262836075]
  本研究は,トレント自治州(PAT)の森林タイプと森林単位の脱線を識別する基盤を構築することを目的としている。 2014年のLiDARとPATによるハイパースペクトル調査のデータを取得し、処理した。
  論文  参考訳（メタデータ） (2022-09-30T06:06:25Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Automatic sampling and training method for wood-leaf classification based on tree terrestrial point cloud [23.296851669213012]
  植物点雲データの葉木分類は、林業や生物研究の基本的なステップである。 木点雲データに基づく分類のための自動サンプリングおよびトレーニング手法を提案した。 その結果,提案手法は手動選択法よりも効率と精度がよいことがわかった。
  論文  参考訳（メタデータ） (2020-12-06T00:18:41Z)
• Rectified Decision Trees: Exploring the Landscape of Interpretable and Effective Machine Learning [66.01622034708319]
  我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。 我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。 次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
  論文  参考訳（メタデータ） (2020-08-21T10:45:25Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Predicting and Mapping of Soil Organic Carbon Using Machine Learning Algorithms in Northern Iran [0.0]
  本研究では,支援ベクトルマシン,人工ニューラルネットワーク,回帰木,ランダムフォレスト,極勾配向上,および従来の深部ニューラルネットワークを用いて,SOCの予測モデルを前進させる機械学習アルゴリズムを提案する。 モデルは、1879年の複合表層土壌サンプルと105の補助データで訓練されている。
  論文  参考訳（メタデータ） (2020-07-12T08:23:24Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。