論文の概要: Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery

• arxiv url: http://arxiv.org/abs/2301.01841v3
• Date: Thu, 21 Dec 2023 13:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 19:33:29.695188
• Title: Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery
• Title（参考訳）: 航空機lidarデータとcir画像の併用による単一樹木崩壊段階の分類
• Authors: Tsz Chung Wong, Abubakar Sani-Mohammed, Jinhong Wang, Puzuo Wang, Wei Yao, Marco Heurich
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.4589991363650008
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding forest health is of great importance for the conservation of the integrity of forest ecosystems. In this regard, evaluating the amount and quality of dead wood is of utmost interest as they are favorable indicators of biodiversity. Apparently, remote sensing-based machine learning techniques have proven to be more efficient and sustainable with unprecedented accuracy in forest inventory. This study, for the first time, automatically categorizing individual coniferous trees (Norway spruce) into five decay stages (live, declining, dead, loose bark, and clean) from combined airborne laser scanning (ALS) point clouds and color infrared (CIR) images using three different Machine Learning methods - 3D point cloud-based deep learning (KPConv), Convolutional Neural Network (CNN), and Random Forest (RF). First, CIR colorized point clouds are created by fusing the ALS point clouds and color infrared images. Then, individual tree segmentation is conducted, after which the results are further projected onto four orthogonal planes. Finally, the classification is conducted on the two datasets (3D multispectral point clouds and 2D projected images) based on the three Machine Learning algorithms. All models achieved promising results, reaching overall accuracy (OA) of up to 88.8%, 88.4% and 85.9% for KPConv, CNN and RF, respectively. The experimental results reveal that color information, 3D coordinates, and intensity of point clouds have significant impact on the promising classification performance. The performance of our models, therefore, shows the significance of machine/deep learning for individual tree decay stages classification and landscape-wide assessment of the dead wood amount and quality by using modern airborne remote sensing techniques. The proposed method can contribute as an important and reliable tool for monitoring biodiversity in forest ecosystems.
• Abstract（参考訳）: 森林の健康を理解することは森林生態系の保全にとって非常に重要である。 この点において, 死木材の量と品質を評価することは, 生物多様性の指標として好まれる。 リモートセンシングベースの機械学習技術は、森林在庫において前例のない精度で、より効率的で持続可能なことが証明されている。 本研究は,3つの異なる機械学習手法(3Dポイントクラウドベース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))を用いて,空中レーザー走査(ALS)点群とカラー赤外(CIR)画像から,個々の針葉樹(ノルウェイ・スプルース)を5つの崩壊段階(ライブ,ダウン,ダウン,バーク,クリーン)に自動的に分類した。 まず、als点雲とカラー赤外線画像を用いてcir着色点雲を作成する。 そして、個々の木のセグメンテーションを行い、その結果をさらに4つの直交平面に投影する。 最後に、3つの機械学習アルゴリズムに基づいて2つのデータセット(3d multispectral point cloudsと2d projected images)上で分類を行う。 すべてのモデルで有望な結果が得られ、kpconv、cnn、rfでは88.8%、88.4%、85.9%となった。 実験の結果,色情報,3次元座標,点雲の強度が有望な分類性能に有意な影響を及ぼすことが明らかとなった。 そこで,本モデルの性能は,倒木段別分類におけるマシン/ディープ学習の重要性を示し,近代的空中リモートセンシング技術を用いて枯木量と品質のランドスケープな評価を行った。 提案手法は,森林生態系の生物多様性をモニタリングするための重要かつ信頼性の高いツールとして有用である。

関連論文リスト

• Tree Species Classification using Machine Learning and 3D Tomographic SAR -- a case study in Northern Europe [0.0]
  樹木種の分類は、自然保護、森林在庫、森林管理、絶滅危惧種の保護において重要な役割を担っている。 本研究では,SLC(Single-look Complex)画像のスタックを利用した3次元トモグラフィーデータセットであるTtomoSenseを用いた。
  論文  参考訳（メタデータ） (2024-11-19T22:25:26Z)
• Comparative Analysis of Novel View Synthesis and Photogrammetry for 3D Forest Stand Reconstruction and extraction of individual tree parameters [2.153174198957389]
  光度測定は一般的に森林の景観の再構築に使われるが、低効率や低品質といった課題に直面している。 NeRFは、天蓋領域ではよいが、視野が限られている地上領域ではエラーが発生する可能性がある。 3DGS法は胸の高さ(DBH)の精度に影響を及ぼすスペーサー点雲を生成する。
  論文  参考訳（メタデータ） (2024-10-08T07:53:21Z)
• HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
  本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。 提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-18T14:18:08Z)
• Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning [16.071397465972893]
  ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。 システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
  論文  参考訳（メタデータ） (2023-12-22T21:54:35Z)
• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
  本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。 広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-28T11:10:14Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• Development of Automatic Tree Counting Software from UAV Based Aerial Images With Machine Learning [0.0]
  本研究の目的は,UAVによる高解像度画像から,シルト大学キャンパスの指定領域の樹木を自動カウントすることである。 Adobe Photoshopのフォトマージツールを使って、高さ30mで20%オーバーラップした画像を地上局でオフラインで縫い付けました。
  論文  参考訳（メタデータ） (2022-01-07T22:32:08Z)
• Deep Learning Based 3D Point Cloud Regression for Estimating Forest Biomass [15.956463815168034]
  森林バイオマス資源の知識とその開発は、効果的な気候変動対策を実施する上で重要である。 空中LiDARを用いたリモートセンシングは、大規模に植生のバイオマスを測定するのに利用できる。 本稿では,3次元LiDAR点雲データから,木材の体積,地上バイオマス(AGB)および炭素を直接推定する深層学習システムを提案する。
  論文  参考訳（メタデータ） (2021-12-21T16:26:13Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)

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。