Tabel van links Abstract en 1 Inleiding 
 
 
 
 Materiale en metodes Resultate en bespreking Konklusie en verwysings 3 Resultate en bespreking Die resultate wat verkry word deur gebruik te maak van die openbaar beskikbaar TreeLearn tjekpunt sonder verdere opleiding dien as 'n basislyn (Tabel 3). Selfs wanneer die model met uit-of-domein data (UAV, coniferous gedomineerde) verfyn word, word instansie segmentasie prestasie op die F1-score aansienlik verhoog van 93.98% tot 96.25%. In terme van boomdeteksie (een FP) en semantiese segmentasie (99.41%), die model prestasie 'n bietjie erger as die basislyn. Maar hierdie aspekte is minder belangrik in vergelyking met instansie segmentasie prestasie in terme van die F1-score. Byvoorbeeld, FP voorspellings kan handmatig verwyder of saamgesel word in voltooiende prestasie sonder baie moeite as hulle nie te gere 4 Konklusie In hierdie artikel het ons die diep-leer-gebaseerde boom segmentasie metode TreeLearn met data van verskillende domeine opgelei en stelselmatig die toetsprestasie geëvalueer. ingebore MLS punt wolke data. Kwalitatiewe resultate dui daarop dat opleiding uitsluitlik met hoë-resolusie data, hoewel die verbetering van prestasie in hierdie domein, lei tot swak generalisering in lae-resolusie UAV instellings (Figuur 2). Inclusief UAV data in aanvulling op hoë-resolusie data tydens opleiding verlig hierdie probleem. Dit beklemtoon die belangrikheid van 'n breë opleiding databasis om modelle wat toepaslik is vir 'n wye verskeidenheid domeine te verkry. Om die beskikbare bos punt wolke te verryk, is gelabeld boom data van vorige werke versprei na die hele bos punt wolk en word publiek toeganklik gemaak by https://doi.org/10.25625/QUTUWU. Ga Die resultate van hierdie studie kan beskou word as voorlopige bewyse vir die potensiaal van diepleren om algemene boomsegmentasie metodes te verkry. Terwyl sulke metodes vertrou op hoë geëtiketteerde bos data, het baie onlangse werk hierdie behoefte erken deur publiek toeganklike datasets te verskaf. As gevolg van die vinnige ontwikkeling van dieplerenmetodes en die beskikbaarheid van meer en meer hoë geëtikette data, verwag ons dat diepleren-gebaseerde boomsegmentasie 'n toenemende kragtige instrument sal word. In teenstelling met tradisionele segmentasie metodes, is sulke metodes in staat om segmentasie reëls vir bospuntwolke met verskillende kenmerke op 'n data-gedrewe manier te leer, wat dus die behoefte elimineer vir klomp Verwysings Andrew Burt, Mathias Disney, en Kim Calders. Afsonderlike bome uit lidar punt wolke met behulp van bome. Methodes 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, en Mathias Disney. Laserskaning onthul potensiële onderskatting van biomassa koolstof in gematigde bosse. Ecological Solutions and Evidence, 3(4): e12197, 2022. GreenValley International. Lidar360 punt wolk post-verwerking sagteware, 2022. URL https: //greenvalleyintl.com/LiDAR360. Toegang: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib, en Alexander Ecker. Treelearn: 'N Omvattende diep leermetode vir die segmentering van individuele bome uit bospuntswolke. arXiv voordruk arXiv:2309.08471, 2023. Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu, en Jiaya Jia. Pointgroup: Dualset puntgroepe vir 3d instansie segmentasie. In Proc. IEEE/CVF conf. comput. vis. Pattern recognit., blz. 4867–4876, 2020. doi: https://doi.org/10.1109/cvpr42600.2020.00492. Karel Kuzelka, Martin Slavık, en Peter Surovy. Baie hoë-dichte punt wolke van uav laser 'skanning vir outomatiese stam deteksie en direkte diameter meet. Remote Sensing, 12 (8):1236, 2020. Ilya Loshchilov en Frank Hutter. Sgdr: Stochastic gradient afdaling met warm herstart, 2016. Ilya Loshchilov en Frank Hutter. Ontkoppelde gewig verval regulasie, 2017. Stefano Puliti, J. Paul McLean, Nicolas Cattaneo, Carolin Fischer, en Rasmus Astrup. Tree-groei trajectory raming met behulp van uni-temporale uav laser skanning data en diepe leer. Forestry, 96(1):37-48, 2023a. Stefano Puliti, Grant Pearse, Peter Surovy, Luke Wallace, Markus Hollaus, Maciej Wielgosz, en ` Rasmus Astrup. Byvoorbeeld: 'n uav laser skanning benchmark dataset vir semantiese en voorbeeld segmentering van individuele bome. arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. Charles R Qi, Or Litany, Kaiming He, en Leonidas J Guibas. Diepe hough stem vir 3d voorwerpdeteksie in puntwolke. In proc. 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, en Arne Nothdurft. Automatiese kroon segmentasie met behulp van dichte bos punt wolke van persoonlike laser skanning (pls). Int. J. Appl. Aarde Obs. Geoinformasie, 114:103025, 2022. doi: https://doi.org/10.1016/j.jag.2022. 103025. Jan Trochta, Martin Krcek, Tomas Vrska, en Kamil Kral. 3D Woud: 'n aansoek vir beskrywings van driedimensionele bosstrukture met behulp van terrestriale LiDAR. PloS een, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. Thang Vu, Kookhoi Kim, Tung M Luu, Thanh Nguyen, en Chang D Yoo. Softgroup vir 3d instansie segmentasie op puntwolke. In Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., bladsy 2708–2717, 2022. doi: https://doi.org/10.1109/cvpr52688.2022.00273. Martin Wieser, Gottfried Mandlburger, Markus Hollaus, Johannes Otepka, Philipp Glira, en Norbert Pfeifer. 'n gevalstudie van uas-gebore laser skanning vir die meet van boomstamdiameter. Remote Sensing, 9(11):1154, 2017. B Xiang, T Peters, T Kontogianni, F Vetterli, S Puliti, R Astrup, en K Schindler. Na nauwkeurige instansie-segmentasie in groot skaal lidar punt wolke. ISPRS Annals of the 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. 
 
 
 
 Die skrywers: (1) Jonathan Henrich, Chairman of Statistics and Econometrics, Fakulteit van Ekonomie, Universiteit van Gottingen, Duitsland (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Instituut vir Rekenaarwetenskap, Universiteit van Gottingen Duitsland (jan.vandelden@uni-goettingen.de). Authors: (1) Jonathan Henrich, Chairman of Statistics and Econometrics, Fakulteit van Ekonomie, Universiteit van Gottingen, Duitsland (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Instituut vir Rekenaarwetenskap, Universiteit van Gottingen Duitsland (jan.vandelden@uni-goettingen.de). 
 
 Hierdie artikel is beskikbaar op arkiv onder CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) lisensie. Hierdie artikel is beskikbaar op arkiv onder CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) lisensie. beskikbaar in die archief

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

Hierdie oudio word in die oorspronklike taal van die storie vervaardig!

AI het net beter in die tel van bome

About Author

KOMMENTAAR

HANG TAGS

HIERDIE ARTIKEL IS AANGEBIED IN

Related Stories

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

Hurry! One Month Left to Win from $5000 in the Web3 Development Writing Contest

Top Actionable Tips to Grow a Community: More Tips to Monetize

The Opt Out Writing Contest: Final Round Results Announcement 🎉

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

Hurry! One Month Left to Win from $5000 in the Web3 Development Writing Contest

Top Actionable Tips to Grow a Community: More Tips to Monetize

The Opt Out Writing Contest: Final Round Results Announcement 🎉

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps