論文の概要: Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset
- arxiv url: http://arxiv.org/abs/2408.06507v1
- Date: Mon, 12 Aug 2024 21:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 19:07:10.124974
- Title: Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset
- Title（参考訳）: 近感レーザー走査データを用いた樹木種分類のベンチマーク:For-species20Kデータセットの導入
- Authors: Stefano Puliti, Emily R. Lines, Jana Müllerová, Julian Frey, Zoe Schindler, Adrian Straker, Matthew J. Allen, Lukas Winiwarter, Nataliia Rehush, Hristina Hristova, Brent Murray, Kim Calders, Louise Terryn, Nicholas Coops, Bernhard Höfle, Samuli Junttila, Martin Krůček, Grzegorz Krok, Kamil Král, Shaun R. Levick, Linda Luck, Azim Missarov, Martin Mokroš, Harry J. F. Owen, Krzysztof Stereńczak, Timo P. Pitkänen, Nicola Puletti, Ninni Saarinen, Chris Hopkinson, Chiara Torresan, Enrico Tomelleri, Hannah Weiser, Rasmus Astrup,
- Abstract要約: FOR-species20Kベンチマークが作成され、33種から20,000以上の樹点雲が形成された。
このデータセットは、樹種分類のためのDLモデルのベンチマークを可能にする。
トップモデルであるDetailViewは特に堅牢で、データの不均衡をうまく処理し、ツリーサイズを効果的に一般化する。
- 参考スコア（独自算出の注目度）: 1.2771525473423657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Proximally-sensed laser scanning offers significant potential for automated forest data capture, but challenges remain in automatically identifying tree species without additional ground data. Deep learning (DL) shows promise for automation, yet progress is slowed by the lack of large, diverse, openly available labeled datasets of single tree point clouds. This has impacted the robustness of DL models and the ability to establish best practices for species classification. To overcome these challenges, the FOR-species20K benchmark dataset was created, comprising over 20,000 tree point clouds from 33 species, captured using terrestrial (TLS), mobile (MLS), and drone laser scanning (ULS) across various European forests, with some data from other regions. This dataset enables the benchmarking of DL models for tree species classification, including both point cloud-based (PointNet++, MinkNet, MLP-Mixer, DGCNNs) and multi-view image-based methods (SimpleView, DetailView, YOLOv5). 2D image-based models generally performed better (average OA = 0.77) than 3D point cloud-based models (average OA = 0.72), with consistent results across different scanning platforms and sensors. The top model, DetailView, was particularly robust, handling data imbalances well and generalizing effectively across tree sizes. The FOR-species20K dataset, available at https://zenodo.org/records/13255198, is a key resource for developing and benchmarking DL models for tree species classification using laser scanning data, providing a foundation for future advancements in the field.
- Abstract（参考訳）: 確率的にセンシングされたレーザースキャンは、森林データの自動キャプチャーに有意義な可能性を秘めているが、地上データを追加せずに自動的に樹木種を特定することには課題が残る。
ディープラーニング(DL)は自動化を約束するが、大規模で多様性があり、オープンに公開されている単一のツリーポイントクラウドのデータセットが欠如しているため、進歩は鈍化している。
このことは、DLモデルの堅牢性と、種分類のベストプラクティスを確立する能力に影響を及ぼした。
これらの課題を克服するため、For-species20Kベンチマークデータセットが作成され、33種から20,000以上のツリーポイント雲が作成され、地球(TLS)、モバイル(MLS)、およびヨーロッパ各地の森林を横断するドローンレーザースキャン(ULS)を使用してキャプチャされた。
このデータセットは、ポイントクラウドベース(PointNet++、MinkNet、MLP-Mixer、DGCNN)とマルチビューイメージベースメソッド(SimpleView、DetailView、YOLOv5)を含む、ツリー種分類のためのDLモデルのベンチマークを可能にする。
2D画像ベースモデルは、一般的に3Dポイントクラウドベースモデル(平均OA = 0.72)よりも良く(平均OA = 0.77)、異なる走査プラットフォームとセンサーで一貫した結果を得た。
トップモデルであるDetailViewは特に堅牢で、データの不均衡をうまく処理し、ツリーサイズを効果的に一般化する。
FOR-species20Kデータセットはhttps://zenodo.org/records/13255198で利用可能であり、レーザースキャンデータを使用して樹木種分類のためのDLモデルの開発とベンチマークのための重要なリソースであり、この分野における将来の進歩の基礎となる。
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) - PureForest: A Large-Scale Aerial Lidar and Aerial Imagery Dataset for Tree Species Classification in Monospecific Forests [0.0]
木種分類用に設計された大規模でオープンなマルチモーダルデータセットであるPureForestデータセットを提案する。
樹種分類のための現在の一般のLidarデータセットは、ほとんどの場合、数十ヘクタールの注釈付きヘクタールの小さな領域にしか達しないため、多様性が低い。
対照的に、PureForestは18の樹種を13のセマンティッククラスに分類し、449の異なる単種林に339 km$2$で分布する。
論文 参考訳（メタデータ） (2024-04-18T10:23:10Z) - SegmentAnyTree: A sensor and platform agnostic deep learning model for
tree segmentation using laser scanning data [15.438892555484616]
本研究は,様々なレーザー走査型に適用可能な深層学習モデルを用いて,ライダーデータにおけるツリークラウン(ITC)セグメンテーションを推し進める。
3次元森林景観解析におけるデータ特性の相違による伝達可能性の課題に対処する。
PointGroupアーキテクチャに基づくこのモデルは、セマンティックとインスタンスセグメンテーションのための別々のヘッドを持つ3D CNNである。
論文 参考訳（メタデータ） (2024-01-28T19:47:17Z) - 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) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳（メタデータ） (2023-09-20T09:29:44Z) - FOR-instance: a UAV laser scanning benchmark dataset for semantic and
instance segmentation of individual trees [0.06597195879147556]
FOR-instanceデータセットは、5つのキュレートされ、ML対応のUAVベースのレーザースキャンデータコレクションから構成される。
データセットは開発サブセットとテストサブセットに分割され、メソッドの進歩と評価が可能になる。
乳房高さデータへの直径の挿入は、古典的な木の変数の測定にその有用性を広げる。
論文 参考訳（メタデータ） (2023-09-03T22:08:29Z) - 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) - Learning 3D Human Pose Estimation from Dozens of Datasets using a
Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。
このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
論文 参考訳（メタデータ） (2022-12-29T22:22:49Z) - Omnidata: A Scalable Pipeline for Making Multi-Task Mid-Level Vision
Datasets from 3D Scans [103.92680099373567]
本稿では,実世界の包括的3Dスキャンからマルチタスク視覚データセットをパラメトリックサンプリングし,レンダリングするパイプラインを提案する。
サンプリングパラメータを変更することで、生成されたデータセットを“ステア”して、特定の情報を強調することが可能になる。
生成されたスタータデータセットでトレーニングされた共通アーキテクチャは、複数の共通ビジョンタスクとベンチマークで最先端のパフォーマンスに達した。
論文 参考訳（メタデータ） (2021-10-11T04:21:46Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Tree Annotations in LiDAR Data Using Point Densities and Convolutional
Neural Networks [9.374986160570034]
本稿では,LiDARデータに木をアノテートするための3つの自動手法を提案する。
最初の方法は高密度点雲を必要とし、木同定のために特定のLiDARデータ属性を使用し、ほぼ90%の精度を達成する。
第2の方法は、低密度のLiDARデータセット上で、ボクセルベースの3D畳み込みニューラルネットワークを使用し、ほとんどの大きな木を正確に識別するが、ボクセル化プロセスのために小さな木と競合する。
第3の方法はPointNet++メソッドのスケールバージョンで、アウトドアポイントクラウド上で直接動作し、ISPRSベンチマークデータセット上でF_scoreの82.1%を達成する。
論文 参考訳（メタデータ） (2020-06-09T23:50:40Z)
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。