論文の概要: Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds

• arxiv url: http://arxiv.org/abs/2502.06227v1
• Date: Mon, 10 Feb 2025 07:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:31:45.647884
• Title: Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds
• Title（参考訳）: 多スペクトルLiDAR森林点雲のセマンティックセグメンテーションのための教師なしディープラーニング
• Authors: Lassi Ruoppa, Oona Oinonen, Josef Taher, Matti Lehtomäki, Narges Takhtkeshha, Antero Kukko, Harri Kaartinen, Juha Hyyppä,
• Abstract要約: 本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
• 参考スコア（独自算出の注目度）: 1.6633665061166945
• License:
• Abstract: Point clouds captured with laser scanning systems from forest environments can be utilized in a wide variety of applications within forestry and plant ecology, such as the estimation of tree stem attributes, leaf angle distribution, and above-ground biomass. However, effectively utilizing the data in such tasks requires the semantic segmentation of the data into wood and foliage points, also known as leaf-wood separation. The traditional approach to leaf-wood separation has been geometry- and radiometry-based unsupervised algorithms, which tend to perform poorly on data captured with airborne laser scanning (ALS) systems, even with a high point density. While recent machine and deep learning approaches achieve great results even on sparse point clouds, they require manually labeled training data, which is often extremely laborious to produce. Multispectral (MS) information has been demonstrated to have potential for improving the accuracy of leaf-wood separation, but quantitative assessment of its effects has been lacking. This study proposes a fully unsupervised deep learning method, GrowSP-ForMS, which is specifically designed for leaf-wood separation of high-density MS ALS point clouds and based on the GrowSP architecture. GrowSP-ForMS achieved a mean accuracy of 84.3% and a mean intersection over union (mIoU) of 69.6% on our MS test set, outperforming the unsupervised reference methods by a significant margin. When compared to supervised deep learning methods, our model performed similarly to the slightly older PointNet architecture but was outclassed by more recent approaches. Finally, two ablation studies were conducted, which demonstrated that our proposed changes increased the test set mIoU of GrowSP-ForMS by 29.4 percentage points (pp) in comparison to the original GrowSP model and that utilizing MS data improved the mIoU by 5.6 pp from the monospectral case.
• Abstract（参考訳）: 森林環境からレーザー走査システムによって捕獲された点雲は、樹幹特性の推定、葉角分布、地上のバイオマスなど、森林・植物生態学の様々な応用に利用することができる。 しかし、このようなタスクでデータを有効に活用するには、データのセマンティックセグメンテーションを木と葉点に分割する必要がある。 葉と木を分離する従来のアプローチは、幾何学的およびラジオメトリーに基づく教師なしのアルゴリズムであり、高点密度でも空中レーザー走査(ALS)システムで取得したデータに対して性能が劣る傾向にある。 最近の機械学習とディープラーニングのアプローチは、希少な点のクラウドでも大きな成果を上げているが、手動でラベル付けされたトレーニングデータが必要である。 マルチスペクトル情報(MS)は葉木分離の精度を向上させる可能性があるが,その効果の定量的評価は乏しい。 本研究では,高密度MS ALS点雲の葉木分離を目的とし,GrowSPアーキテクチャに基づく,教師なしのディープラーニング手法であるGrowSP-ForMSを提案する。 GrowSP-ForMSは平均84.3%,mIoUは平均69.6%を達成し,教師なし基準法よりも有意差が認められた。 教師付き深層学習法と比較して,我々のモデルはやや古いPointNetアーキテクチャとよく似ているが,近年のアプローチでは劣っている。 最後に,GrowSP-ForMSの試験セットmIoUを元のGrowSPモデルと比較して29.4ポイント(pp)増加させ,MSデータの利用により単眼症例からmIoUを5.6pp向上させた。

関連論文リスト

• Multi-modal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds [47.679877727066206]
  本研究では,2次元正光線と3次元空中レーザースキャン(ALS)点群からの深層学習に基づく近距離センシングデータの融合により,生物多様性の評価が向上するかどうかを検討する。 デンマークの温帯森林から採取した44.378個の正光とALS点雲のサンプルからなるBioVistaデータセットを紹介した。 深層ニューラルネットワーク(直視用ResNetとALS点雲用PointResNet)を用いて、各データモダリティの森林生物多様性ポテンシャルを評価する能力を調べ、それぞれ69.4%と72.8%の精度を達成した。
  論文  参考訳（メタデータ） (2025-01-03T09:42:25Z)
• An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
  長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。 トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。 特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
  論文  参考訳（メタデータ） (2024-12-16T03:21:20Z)
• 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)
• Unsupervised semantic segmentation of urban high-density multispectral point clouds [1.5514592342516158]
  高度に正確な都市型空中レーザースキャン(ALS)データの提供は、将来的には急速に増加するだろう。 データ処理における現在の課題は、ほとんどのALSデータセットの限られたスペクトル情報と低点密度に関連している。 本研究では,教師なしの深層クラスタリング手法GroupSPを用いて,新しい高密度(平均平方メートル当たり1200点)のマルチスペクトルALSデータを意味的に分割することを提案する。
  論文  参考訳（メタデータ） (2024-10-24T08:11:34Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• 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)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• 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)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Spatial and spectral deep attention fusion for multi-channel speech separation using deep embedding features [60.20150317299749]
  マルチチャネルディープクラスタリング(MDC)は、音声分離に優れた性能を得た。 本研究では,スペクトルおよび空間的特徴の重みを動的に制御し,それらを深く結合するディープ・アテンション・フュージョン法を提案する。 実験結果から,提案手法はMDCベースラインよりも優れ,理想的なバイナリマスク(IBM)よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-05T03:49:39Z)

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。