Tisch links Abstract und 1 Einführung 
 
 
 
 Materialien und Methoden Ergebnisse und Diskussion Schlussfolgerungen und Referenzen 3 Ergebnisse und Diskussion Diese Ergebnisse, die durch die Verwendung des öffentlich verfügbaren TreeLearn-Checkpoints ohne weitere Ausbildung erreicht wurden, dienen während des Segmentierungssegments als Ausgangslinie (Tabelle 3). Auch wenn das Modell mit Fein-of-Domain-Daten (UAV, coniferous dominated) finiert wurde, sind diese Aspekte in Bezug auf die Instanzen-Segmentierungseffizienz in Bezug auf die F1-Score wesentlich von 93.98 % auf 96.25 % erhöht. In Bezug auf Baumerkennung (eine FP) und semantische Segmentierung (99.41%) funktioniert das Modell mit Fein-of-Domain-Daten (UAV, coniferous dominated) etwas schlechter. Jedoch sind diese Aspekte im Vergleich zu 4 Schlussfolgerung In diesem Papier haben wir die tieflernende Baum-Segmentierungsmethode TreeLearn mit Daten aus verschiedenen Domänen trainiert und systematisch ihre Testleistung ausgewertet. Es wurde gezeigt, dass ein Modell, das auf außerhalb der Domäne ausgebildet wurde, auf koniferen dominierten UAV-Punktwolken generalisiert werden kann eingeborene MLS-Punktwolken. Qualitative Ergebnisse deuten darauf hin, dass das Training ausschließlich mit hochauflösenden Daten, obwohl die Leistung in diesem Bereich verbessert wird, zu einer schlechten Verallgemeinerung in Niedrigauflösungs-UAV-Einstellungen führt (Abbildung 2). Einschließlich von UAV-Daten zusätzlich zu hochauflösenden Daten während des Trainings lindert dieses Problem. Dies betont die Bedeutung einer breiten Trainingsdatenbank, um Modelle zu erhalten, die für eine breite Palette von Domänen anwendbar sind. Um die verfügbaren Waldpunktwolken zu bereichern, wurden die markierten Baumdaten aus früheren Arbeiten auf die gesamte Waldpunktwolke verbreitet und öffentlich bei https://doi.org/10.25625/ Die Ergebnisse dieser Studie können als vorläufige Beweise für das Potenzial des tiefen Lernens betrachtet werden, um allgemeine Baum-Segmentierungsmethoden zu erhalten. Während solche Methoden sich auf hochwertige markierte Walddaten stützen, haben viele jüngste Arbeiten diese Notwendigkeit anerkannt, indem sie öffentlich verfügbare Datensätze bereitstellen. Aufgrund der schnellen Entwicklung von Deep Learning-Methoden und der Verfügbarkeit von immer mehr hochwertigen markierten Daten erwarten wir, dass die Deep Learning-basierte Baum-Segmentierung zu einem zunehmend leistungsfähigen Werkzeug wird. Im Gegensatz zu traditionellen Segmentierungsmethoden sind solche Methoden in der Lage, Segmentierungsregeln für Waldpunktwolken mit unterschiedlichen Eigenschaften auf datengesteuerte Weise zu lernen Referenzen Andrew Burt, Mathias Disney und Kim Calders. Extraktion einzelner Bäume aus Lidar-Punktwolken mithilfe von Treeseg. Methoden 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 und Mathias Disney. Laserscanning zeigt mögliche Unterschätzung von Biomasse Kohlenstoff in gemäßigten Wäldern. Ökologische Lösungen und Beweise, 3(4): e12197, 2022. GreenValley International. Lidar360 point cloud post-processing software, 2022. URL https: //greenvalleyintl.com/LiDAR360. Zugriff auf: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib und Alexander Ecker. Treelearn: Eine umfassende tiefe Lernmethode zur Segmentierung einzelner Bäume aus Waldpunktwolken. arXiv Preprint arXiv:2309.08471, 2023. Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu und Jiaya Jia. Pointgroup: Dualset-Punktgruppen für die 3d-Instancesegmentierung. In 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 und Peter Surovy. Sehr hohe Dichte Punktwolken von Uav Laser ` Scanning für automatische Stammerkennung und direkte Durchmessermessung. Remote Sensing, 12 (8):1236, 2020. Ilya Loshchilov und Frank Hutter. Sgdr: Stochastic gradient descent with warm restarts, 2016. Ilya Loshchilov und Frank Hutter. Entkoppelte Normalisierung des Gewichtsverlusts, 2017. Stefano Puliti, J. Paul McLean, Nicolas Cattaneo, Carolin Fischer und Rasmus Astrup. Schätzung der Höhe-Wachstumsbahn mit Uni-temporal UAV Laser-Scanning-Daten und Deep Learning. Forstwirtschaft, 96(1):37-48, 2023a. Stefano Puliti, Grant Pearse, Peter Surovy, Luke Wallace, Markus Hollaus, Maciej Wielgosz und ` Rasmus Astrup. Zum Beispiel: ein UAV-Laser-Scanning-Benchmark-Datensatz für die semantische und Instanz-Segmentierung einzelner Bäume. arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. Charles R Qi, Or Litany, Kaiming He, und Leonidas J Guibas. Tiefe Hough Abstimmung für 3d-Objekterkennung in Punktwolken. 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 und Arne Nothdurft. Automatische Segmentierung der Baumkrone mithilfe dichter Waldpunktwolken durch persönliche Laserscanning (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 und Kamil Kral. 3D Wald: Eine Anwendung für Beschreibungen dreidimensionaler Waldstrukturen mit terrestrischem LiDAR. PloS eins, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. Thang Vu, Kookhoi Kim, Tung M Luu, Thanh Nguyen und Chang D Yoo. Softgroup für die 3d-Instance-Segmentierung auf Punktwolken. In Proc. IEEE/CVF Conf. Comput. Vis. Pattern erkannt., pp. 2708–2717, 2022. doi: https://doi.org/10.1109/cvpr52688.2022.00273. Martin Wieser, Gottfried Mandlburger, Markus Hollaus, Johannes Otepka, Philipp Glira und Norbert Pfeifer. Eine Fallstudie der UAS-basierten Laserscanning zur Messung des Stammdurchmesser des Baumes. Remote Sensing, 9(11):1154, 2017. B Xiang, T Peters, T Kontogianni, F Vetterli, S Puliti, R Astrup und K Schindler. Auf dem Weg zur präzisen Instanz-Segmentierung in großen Lidar-Punktwolken. ISPRS Annals of 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 Autoren: (1) Jonathan Henrich, Präsident für Statistik und Ökonometrie, Fakultät für Wirtschaftswissenschaften, Universität Gottingen, Deutschland (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institut für Informatik, Universität Gottingen Deutschland (jan.vandelden@uni-goettingen.de). Authors: (1) Jonathan Henrich, Präsident für Statistik und Ökonometrie, Fakultät für Wirtschaftswissenschaften, Universität Gottingen, Deutschland (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institut für Informatik, Universität Gottingen Deutschland (jan.vandelden@uni-goettingen.de). 
 
 Dieses Dokument ist unter der Lizenz CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) verfügbar. Dieses Papier ist unter der CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) Lizenz. Verfügbar im Archiv Verfügbar im Archiv

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

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Besser bei der Zählung von Bäumen

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps