論文の概要: PointsToWood: A deep learning framework for complete canopy leaf-wood segmentation of TLS data across diverse European forests

• arxiv url: http://arxiv.org/abs/2503.04420v1
• Date: Thu, 06 Mar 2025 13:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:59:26.229238
• Title: PointsToWood: A deep learning framework for complete canopy leaf-wood segmentation of TLS data across diverse European forests
• Title（参考訳）: PointsToWood: ヨーロッパ各地の森林におけるTLSデータの完全な緑葉木分割のための深層学習フレームワーク
• Authors: Harry J. F. Owen, Matthew J. A. Allen, Stuart W. D. Grieve, Phill Wilkes, Emily R. Lines,
• Abstract要約: 我々は,ポイントネットとポイントクラウドから新たに開発されたディープラーニングアーキテクチャを用いて,3Dポイントクラウドを処理する新しいフレームワークを示す。 ボレアル地域,温帯地域,地中海地域,熱帯地域のオープンデータセットを用いて,その性能を評価した。 その結果、葉・木分断において最も広く使われているPointNetベースのアプローチに対して、一貫した性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Point clouds from Terrestrial Laser Scanning (TLS) are an increasingly popular source of data for studying plant structure and function but typically require extensive manual processing to extract ecologically important information. One key task is the accurate semantic segmentation of different plant material within point clouds, particularly wood and leaves, which is required to understand plant productivity, architecture and physiology. Existing automated semantic segmentation methods are primarily developed for single ecosystem types, and whilst they show good accuracy for biomass assessment from the trunk and large branches, often perform less well within the crown. In this study, we demonstrate a new framework that uses a deep learning architecture newly developed from PointNet and pointNEXT for processing 3D point clouds to provide a reliable semantic segmentation of wood and leaf in TLS point clouds from the tree base to branch tips, trained on data from diverse mature European forests. Our model uses meticulously labelled data combined with voxel-based sampling, neighbourhood rescaling, and a novel gated reflectance integration module embedded throughout the feature extraction layers. We evaluate its performance across open datasets from boreal, temperate, Mediterranean and tropical regions, encompassing diverse ecosystem types and sensor characteristics. Our results show consistent outperformance against the most widely used PointNet based approach for leaf/wood segmentation on our high-density TLS dataset collected across diverse mixed forest plots across all major biomes in Europe. We also find consistently strong performance tested on others open data from China, Eastern Cameroon, Germany and Finland, collected using both time-of-flight and phase-shift sensors, showcasing the transferability of our model to a wide range of ecosystems and sensors.
• Abstract（参考訳）: 地上レーザー走査(TLS)の点雲は、植物構造と機能を研究するためにますます人気のあるデータ源であるが、通常、生態学的に重要な情報を抽出するために広範囲な手作業を必要とする。 重要な課題の1つは、点雲、特に木と葉の中の異なる植物物質の正確なセマンティックセグメンテーションであり、それは植物の生産性、建築、生理学を理解するために必要である。 既存の自動セマンティックセグメンテーション法は主に単一生態系タイプ向けに開発されており、トランクや大枝からのバイオマス評価には精度が良いが、クラウン内ではあまり機能しないことが多い。 本研究では,3次元点雲の処理に PointNet と PointNEXT から新たに開発されたディープラーニングアーキテクチャを用いて,樹根から枝先までのTLS点雲における木葉のセマンティックセマンティックセマンティックセマンティクスを提供する。 本モデルでは,厳密なラベル付きデータとボクセルを用いたサンプリング,近傍再スケーリング,および特徴抽出層全体に埋め込まれた新しいゲート反射率統合モジュールを併用した。 本研究は, ウシ, 温帯, 地中海, 熱帯地域のオープンデータセットを用いて, 多様な生態系タイプとセンサ特性を網羅し, その性能を評価した。 その結果,ヨーロッパ全主要生物群にまたがる多種多様な混交林にまたがる高密度TLSデータセットにおいて,最も広く利用されているPointNetによる葉・木材のセグメンテーションに対する一貫した成績を示した。 また、中国、東カメルーン、ドイツ、フィンランドの他のオープンデータ上で、飛行時間と位相シフトの両方のセンサーを用いて収集された強力なパフォーマンスが、我々のモデルが広範囲の生態系やセンサーに転送可能であることを示している。

関連論文リスト

• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  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。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• 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)
• 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)
• FoMo: Multi-Modal, Multi-Scale and Multi-Task Remote Sensing Foundation Models for Forest Monitoring [23.192593517094714]
  第1回森林モニタリングベンチマーク(FoMo-Bench)について紹介する。 FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成されている。 FoMo-Benchにおけるタスクと地理的多様性を高めるために,衛星画像と地上アノテーションを組み合わせた木種分類のためのグローバルデータセットであるTalloSを紹介した。
  論文  参考訳（メタデータ） (2023-12-15T09:49:21Z)
• 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)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• 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)
• Multi-Layer Modeling of Dense Vegetation from Aerial LiDAR Scans [4.129847064263057]
  私たちはWildForest3Dをリリースしました。これは29の研究プロットと47000m2にまたがる2000以上の個々の木で構成されています。 本稿では,3次元ポイントワイドラベルと高分解能占有メッシュを同時に同時に予測する3次元ディープネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-04-25T12:47:05Z)
• Learning Statistical Texture for Semantic Segmentation [53.7443670431132]
  セマンティックセグメンテーションのための新しい統計テクスチャ学習ネットワーク(STLNet)を提案する。 STLNetは、初めて低レベルの情報の分布を分析し、それらをタスクに効率的に活用する。 1)テクスチャ関連情報を捕捉し,テクスチャの詳細を強化するためのテクスチャエンハンスモジュール(TEM),(2)ピラミッドテクスチャ特徴抽出モジュール(PTFEM)の2つのモジュールを導入し,複数のスケールから統計的テクスチャ特徴を効果的に抽出する。
  論文  参考訳（メタデータ） (2021-03-06T15:05:35Z)
• 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)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。