論文の概要: WLC-Net: a robust and fast deep-learning wood-leaf classification method
- arxiv url: http://arxiv.org/abs/2405.18737v1
- Date: Wed, 29 May 2024 03:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 18:58:09.528586
- Title: WLC-Net: a robust and fast deep-learning wood-leaf classification method
- Title（参考訳）: WLC-Net: 頑健で高速な深層学習木葉分類法
- Authors: Hanlong Li, Pei Wang, Yuhan Wu, Jing Ren, Yuhang Gao, Lingyun Zhang, Mingtai Zhang, Wenxin Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.043846409201112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wood-leaf classification is an essential and fundamental prerequisite in the analysis and estimation of forest attributes from terrestrial laser scanning (TLS) point clouds,including critical measurements such as diameter at breast height(DBH),above-ground biomass(AGB),wood volume.To address this,we introduce the Wood-Leaf Classification Network(WLC-Net),a deep learning model derived from PointNet++,designed to differentiate between wood and leaf points within tree point clouds.WLC-Net enhances classification accuracy,completeness,and speed by incorporating linearity as an inherent feature,refining the input-output framework,and optimizing the centroid sampling technique.WLC-Net was trained and assessed using three distinct tree species datasets,comprising a total of 102 individual tree point clouds:21 Chinese ash trees,21 willow trees,and 60 tropical trees.For comparative evaluation,five alternative methods,including PointNet++,DGCNN,Krishna Moorthy's method,LeWoS, and Sun's method,were also applied to these datasets.The classification accuracy of all six methods was quantified using three metrics:overall accuracy(OA),mean Intersection over Union(mIoU),and F1-score.Across all three datasets,WLC-Net demonstrated superior performance, achieving OA scores of 0.9778, 0.9712, and 0.9508;mIoU scores of 0.9761, 0.9693,and 0.9141;and F1-scores of 0.8628, 0.7938,and 0.9019,respectively.The time costs of WLC-Net were also recorded to evaluate the efficiency.The average processing time was 102.74s per million points for WLC-Net.In terms of visual inspect,accuracy evaluation and efficiency evaluation,the results suggest that WLC-Net presents a promising approach for wood-leaf classification,distinguished by its high accuracy. In addition,WLC-Net also exhibits strong applicability across various tree point clouds and holds promise for further optimization.
- Abstract（参考訳）: 木葉分類は, 地中レーザースキャン(TLS)点群の解析と推定において必須かつ基本的な前提条件であり, 胸の高さ(DBH), 地中バイオマス(AGB), 木体積などの重要な測定値を含む。これに対処するため, 木葉分類ネットワーク(WLC-Net), 木葉分類ネットワーク(WLC-Net)を導入し, 木葉と葉点を木点クラウド内で区別する深層学習モデルを提案する。WLC-Netは, 線形性を固有の特徴として組み込んだ線形性の向上, 入力出力フレームワークの最適化, 遠心解析手法の最適化などにより, 3種の樹木データセットを用いて評価を行った。
さらに、WLC-Netは様々なツリーポイントクラウドに強い適用性を示し、さらなる最適化を約束している。
関連論文リスト
- Towards General Robustness Verification of MaxPool-based Convolutional Neural Networks via Tightening Linear Approximation [51.235583545740674]
MaxLinは、線形近似が厳密なMaxPoolベースのCNNの堅牢性検証器である。
我々は、MNIST、CIFAR-10、Tiny ImageNetデータセットでトレーニングされたLeNetやネットワークを含むオープンソースのベンチマークでMaxLinを評価した。
論文 参考訳（メタデータ） (2024-06-02T10:33:04Z) - BooleanOCT: Optimal Classification Trees based on multivariate Boolean
Rules [14.788278997556606]
最適な分類木を導出するために,MIP(Mixed-integer Programming)の定式化を導入する。
提案手法は,F1スコアなどの非線形指標と同様に,精度,バランスの取れた精度,コストに敏感なコストを含む線形メトリクスを統合する。
提案したモデルでは,実世界のデータセットに対して現実的な可解性を示し,数万のサイズの処理を効果的に行う。
論文 参考訳（メタデータ） (2024-01-29T12:58:44Z) - TreeLearn: A Comprehensive Deep Learning Method for Segmenting
Individual Trees from Ground-Based LiDAR Forest Point Clouds [42.87502453001109]
森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングに基づくアプローチであるTreeLearnを提案する。
TreeLearnは、すでにセグメンテーションされたポイントクラウドにデータ駆動でトレーニングされているため、事前に定義された機能やアルゴリズムに依存しない。
我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
論文 参考訳（メタデータ） (2023-09-15T15:20:16Z) - Automated Identification of Tree Species by Bark Texture Classification
Using Convolutional Neural Networks [0.0]
樹木種の同定は、森林保全、病気の診断、植物生産といった森林関連業務において重要な役割を担っている。
木の一部が葉、果物、花、樹皮であるべきか、区別するために使用されるのかという議論があった。
本稿では,50種の木を分類するために,コンピュータビジョンの手法を活用することによって,ディープラーニングに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-03T13:09:50Z) - End-to-End Sensitivity-Based Filter Pruning [49.61707925611295]
本稿では,各層間のフィルタの重要度を学習するための感度に基づくフィルタプルーニングアルゴリズム(SbF-Pruner)を提案する。
提案手法はフィルタ重みからスコアを学習し,各層のフィルタ間の相関を考慮できる。
論文 参考訳（メタデータ） (2022-04-15T10:21:05Z) - Wood-leaf classification of tree point cloud based on intensity and
geometrical information [22.738466338122418]
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。
論文 参考訳（メタデータ） (2021-08-02T16:04:48Z) - 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) - Location-Sensitive Visual Recognition with Cross-IOU Loss [177.86369890708457]
本稿では,オブジェクト検出,インスタンスセグメンテーション,ポーズ推定のための位置感知ネットワーク (LSNet) という統合ソリューションを提案する。
ディープニューラルネットワークをバックボーンとして、LSNetは、ターゲットオブジェクトの形状を一緒に定義するアンカーポイントとランドマークのセットを予測します。
論文 参考訳（メタデータ） (2021-04-11T02:17:14Z) - 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) - 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) - EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning [82.54669314604097]
EagleEyeは、適応型バッチ正規化に基づく、シンプルだが効率的な評価コンポーネントである。
異なる破砕された構造と最終的な精度の間に強い相関関係が明らかになる。
このモジュールは、既存のプルーニングアルゴリズムをプラグインし改善するためにも一般的である。
論文 参考訳（メタデータ） (2020-07-06T01:32:31Z)
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。