論文の概要: Semantic segmentation of sparse irregular point clouds for leaf/wood
discrimination
- arxiv url: http://arxiv.org/abs/2305.16963v3
- Date: Wed, 10 Jan 2024 15:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 17:42:43.615353
- Title: Semantic segmentation of sparse irregular point clouds for leaf/wood
discrimination
- Title(参考訳): 葉・木判別のためのスパース不規則点雲のセマンティックセグメンテーション
- Authors: Yuchen Bai, Jean-Baptiste Durand, Gr\'egoire Vincent, Florence Forbes
- Abstract要約: 本稿では,点幾何学のみを利用する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提案する。
我々のモデルは、UAVポイントクラウドにおける最先端の代替品よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 1.4499463058550683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract(参考訳): LiDAR(Light Detection and Ranging)はバイオスフィア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不可欠な部分となっている。
特に、LiDARは、森林の葉面積を前例のない精度でマッピングする機会を提供する一方、葉面積は、植生と大気の間のガス交換モデルに影響を及ぼす重要な不確実性の源である。
無人航空機(UAV)は容易に動員でき、頻繁に再訪して気候変動に対する植生の反応を追跡することができる。
しかし、uavに搭載されたミニチュアセンサーは通常、限られた密度のポイント雲を提供するが、これは徐々に強い閉塞によってキャノピーの上部から下部への密度の強い低下によってさらに影響を受ける。
このような文脈において、木材点から葉点を区別することは、特に強いクラス不均衡と空間的に不規則なサンプリング強度のために大きな課題となる。
ここでは、(スペクトル情報を除く)点幾何学のみを利用する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する。
そこで本研究では,局所的に重要な幾何学的情報を保存するための新しいサンプリング手法を提案する。
また,重度クラス不均衡に適応した損失関数を提案する。
我々のモデルは、UAVポイントクラウドにおける最先端の代替品よりも優れていることを示す。
今後の改良について,特に天蓋下から獲得したより濃密な点雲について論じる。
関連論文リスト
- Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
本稿では,各種ノイズによる点雲分類の課題について述べる。
本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。
提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
論文 参考訳(メタデータ) (2023-07-20T13:47:30Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳(メタデータ) (2023-04-22T22:39:03Z) - Controllable Mesh Generation Through Sparse Latent Point Diffusion
Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。
私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。
提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文 参考訳(メタデータ) (2023-03-14T14:25:29Z) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳(メタデータ) (2022-06-14T09:40:17Z) - Machine Learning in LiDAR 3D point clouds [0.0]
本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。
特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。
また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
論文 参考訳(メタデータ) (2021-01-22T20:23:23Z) - Airborne LiDAR Point Cloud Classification with Graph Attention
Convolution Neural Network [5.69168146446103]
本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。
提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。
ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
論文 参考訳(メタデータ) (2020-04-20T05:12:31Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-04-06T15:07:16Z) - MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point
Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。
MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文 参考訳(メタデータ) (2020-04-05T18:02:07Z)
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。