左のテーブル 抽象と1 Introduction 
 
 
 
 材料と方法 結果と議論 結論と参照 3 結果と議論 ただし、これらの結果は、公的に利用可能なTreeLearnチェックポイントを使用することによって得られ、さらなる訓練なしに基準ライン(テーブル3)およびセマンティックセグメント(99.41%)として役立ちます。モデルをフィンタウンディングしたドメインデータ(UAV, coniferous dominated)でデータを計算した場合でも、F1スコアのインスタンスセグメントパフォーマンスは、F1スコアの点数と比較して大幅に増加します。例えば、FP予測は木の検出(一つのFP)およびセマンティックセグメント(99.41%)に関しては、トレーニングがあまり頻繁ではない場合に手動で削除またはトレーニングに組み込まれることがあります。 クラウドで利用可能なデータ( 4 結論 この論文では、さまざまなドメインからのデータを用いて深層学習ベースのツリー分割方法TreeLearnを訓練し、そのテストパフォーマンスを体系的に評価しました。 生まれつきのMLSポイントクラウドデータの質的結果は、この分野でのパフォーマンスを向上させながら、高解像度のデータのみでトレーニングが低解像度のUAV設定(図2)で悪質な一般化につながることを示しています。訓練中に高解像度のデータに加えてUAVデータを含むことはこの問題を軽減します。これは、幅広いトレーニングデータベースの重要性を強調し、幅広い範囲のドメインに適用可能なモデルを取得するためです。利用可能な森林ポイントクラウドを豊かにするために、以前の作品からラベルされた木のデータは、森林構造の分野でより強力なドメイン転換の結果を調査する必要があります https://doi.org/10.25625/Q この研究の結果は、一般的な樹木分割方法を取得するための深い学習の可能性についての初期の証拠と見なすことができるが、そのような方法は高品質のラベル化された森林データに依存する一方で、多くの最近の研究は、公開的に利用可能なデータセットを提供することによってこの必要性を認めている。深い学習方法の急速な開発とより高品質のラベル化されたデータの利用可能性のために、深い学習に基づく樹木分割はますます強力なツールになることを期待している。 参照 アンドリュー・バルト、マティアス・ディズニー、キム・カルデーズ 木材を使用してリダルポイントの雲から個々の木を抽出 方法 Ecol. Evol., 10(3):438–445, 2019. doi: https://doi.org/10.1111/ 2041-210x.13121. Kim Calders, Hans Verbeeck, Andrew Burt, Niall Origo, Joanne Nightingale, Yadvinder Malhi, Phil Wilkes, Pasi Raumonen, Robert GH Bunce, and Mathias Disney. Laser scanning reveals potential underestimation of biomass carbon in temperate forest. Ecological Solutions and Evidence, 3(4): e12197, 2022. GreenValley International. Lidar360 point cloud post-processing software, 2022. URL https: //greenvalleyintl.com/LiDAR360. アクセス: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib, and Alexander Ecker. Treelearn: A comprehensive deep learning method for segmenting individual trees from forest point clouds. arXiv preprint arXiv:2309.08471, 2023. リ・ジョン、ヘンジュン・ジョー、シャオスワイ・シ、シュー・リウ、チ・ウィング・フー、ジアヤ・ジア。ポイントグループ: 3d インスタンス分割のためのダブルセットポイントグループ化。 Proc. IEEE/CVF conf. comput. vis. Pattern recognit., pp. 4867–4876, 2020. doi: https://doi.org/10.1109/cvpr42600.2020.00492. Karel Kuzelka、Martin Slavık、Peter Surovy. 非常に高密度の点雲は、木の幹の自動検出と直径測定のためのウーフレーザーのスキャンです。 Remote Sensing, 12 (8):1236, 2020. Ilya Loshchilov and Frank Hutter. Sgdr: Stochastic gradient descent with warm restarts, 2016年 イリア・ロシチロフとフランク・ハッター。 Ilya LoshchilovとFrank Hutter. Decoupled 体重崩壊の規則化, 2017. Stefano Puliti、J Paul McLean、Nicolas Cattaneo、Carolin Fischer、およびRasmus Astrup. 木の高さと成長の軌道の推定は、ユニタイムラーズスキャンデータと深い学習を使用して。森林、96(1):37-48, 2023a。 マルクス・ホラウス、マシェイ・ウィルゴス、スラス・アストラップ、グラント・ピアス、ピーター・サロヴィー、ルーク・ウォラス、マルクス・ホラウス、マシェイ・ウィルゴス、スラス・アストラップなど。例えば、個々の木のセマンティックおよびインスタンスセグメントのためのUAVレーザースキャンベンチャー基準データセットです。 arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. チャールズ・R・チー、オル・リタニー、カイミング・ヘ、レオニダス・J・ギバス ポイント・クラウドにおける3Dオブジェクト検出のための深い投票。 IEEE/CVF Int. Conf. Comput. Vis., pp. 9277–9286, 2019. doi: https://doi.org/10.1109/iccv.2019.00937. Andreas Tockner、Christoph Gollob、Ralf Kraßnitzer、Tim Ritter、Arne Nothdurft. 個人的なレーザースキャンからの密集した森の点雲を使用して木の冠の自動分割(pls)。 Int. J. Appl. Earth Obs. Geoinformation, 114:103025, 2022. doi: https://doi.org/10.1016/j.jag.2022. 103025. Jan Trochta、Martin Krcek、Tomas Vrska、およびKamil Kral. 3D森林:地上のLIDARを使用して3次元の森林構造の記述のためのアプリケーション。 PloS one, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. 3Dインスタンスをポイントクラウドで分割するためのソフトウェアグループ。 Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., pp. 2708–2717, 2022. doi: https://doi.org/10.1109/cvpr52688.2022.00273. Martin Wieser, Gottfried Mandlburger, Markus Hollaus, Johannes Otepka, Philipp Glira, and Norbert Pfeifer. Remote Sensing, 9(11):1154, 2017 B. Xiang, T. Peters, T. Kontogianni, F. Vetterli, S. Puliti, R. Astrup, K. Schindler. 大規模なリダル・ポイント・クラウドにおける正確なインスタンス分割に向かう。 ISPRS Photogrammetry, Remote Sensing and Spatial Information Sciences, 10:605–612, 2023. doi: https://doi.org/10. 5194/isprs-annals-X-1-W1-2023-605-2023. 
 
 
 
 著者: (1) Jonathan Henrich, Statistics and Econometrics Chair, Faculty of Economics, University of Gottingen, Germany (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institute of Computer Science, University of Gottingen Germany (jan.vandelden@uni-goettingen.de) Authors: (1) Jonathan Henrich, Statistics and Econometrics Chair, Faculty of Economics, University of Gottingen, Germany (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institute of Computer Science, University of Gottingen Germany (jan.vandelden@uni-goettingen.de) 
 
 この論文は、CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) ライセンスの下で archiv で利用できます。 この紙は CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) ライセンス ARCHIV で利用可能 ARCHIV で利用可能

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Instancing.TECH

Pioneering instance management, driving innovative solutions for efficient resource utilization, and enabling a more sus

Instancing's blog

このオーディオは、ストーリーの元の言語で制作されています。

AI Just Got Better at Counting Trees(木を数えること)

About Author

コメント

ラベル

この記事は

Related Stories

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps