Mesa de la izquierda Abstracto y 1 Introducción 
 
 
 
 Materiales y métodos Resultados y discusión Conclusión y referencias 3 Resultados y discusión Sin embargo, los resultados obtenidos mediante el uso del punto de control TreeLearn disponible públicamente sin adición de formación adicional sirven como una línea de partida (Tabla 3). Incluso cuando se ajusta el modelo con datos fuera del dominio (UAV, conífero dominado), el rendimiento de la segmentación de la instancia en términos de la puntuación F1 aumenta sustancialmente de 93.98% a 96.25%. En términos de la detección de árboles (una FP) y la segmentación semántica (99.41%), el modelo funciona ligeramente peor que los datos fuera del dominio (UAV, conífero dominado). Sin embargo, estos aspectos son menos importantes en comparación con el rendimiento de la segmentación de la instancia en términos de la puntuación F1. Por ejemplo, las predicciones de FP 4 Conclusión En este artículo, entrenamos el método de segmentación de árboles basado en el aprendizaje profundo TreeLearn con datos de diversos dominios y evaluamos sistemáticamente su rendimiento de prueba. Se demostró que un modelo entrenado en nubes de puntos dominadas por UAV coníferas fuera del dominio puede generalizar a domo de deciduosidad Los resultados cualitativos indican que el entrenamiento exclusivamente con datos de alta resolución, a pesar de mejorar el rendimiento en este dominio, conduce a una mala generalización en la configuración de segmentos de UAV de baja resolución (Figura 2). Incluyendo datos de UAV además de datos de alta resolución durante el entrenamiento alivia este problema. Esto hace hincapié en la importancia de una amplia base de datos de entrenamiento para obtener modelos que sean aplicables a una amplia gama de dominios. Para enriquecer las nubes de punto forestal disponibles, los datos de árboles etiquetados de las obras anteriores se propagaron a toda la nube de punto forestal y se ponen a disposición del público en https://doi.org/10.25625/QUTUWU. Avanzando, se debe establecer una caracterización cuantificable de las diferentes nubes de Los resultados de este estudio pueden considerarse como evidencia preliminar del potencial del aprendizaje profundo para obtener métodos generales de segmentación de árboles. Mientras que tales métodos se basan en datos forestales etiquetados de alta calidad, muchos trabajos recientes han reconocido esta necesidad al proporcionar conjuntos de datos disponibles públicamente. Debido al rápido desarrollo de métodos de aprendizaje profundo y a la disponibilidad de más y más datos etiquetados de alta calidad, esperamos que la segmentación de árboles basada en el aprendizaje profundo se convierta en una herramienta cada vez más poderosa. A diferencia de los métodos tradicionales de segmentación, tales métodos son capaces de aprender las reglas de segmentación para nubes de puntos forestales con características diversas de una manera orientada a los datos, eliminando así la necesidad de un ajuste hiperparamétrico o Referencias Andrew Burt, Mathias Disney, y Kim Calders. Extraer árboles individuales de nubes de puntos de lidar usando treeseg. Métodos 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, y Mathias Disney. El escaneo láser revela una subestimación potencial del carbono de biomasa en bosques templados. Soluciones ecológicas y evidencia, 3(4): e12197, 2022. GreenValley International. Software de post-procesamiento en la nube de puntos Lidar360, 2022. URL https: //greenvalleyintl.com/LiDAR360. Accesado: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib y Alexander Ecker. Treelearn: Un método de aprendizaje profundo integral para segmentar árboles individuales a partir de nubes de punto forestal. arXiv preprint arXiv:2309.08471, 2023. Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu, y Jiaya Jia. Grupo de puntos: grupo de puntos dual para la segmentación de instancias 3d. En 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, y Peter Surovy. Nubes de punto de muy alta densidad del láser de uav para la detección automática de troncos de árboles y la medición directa del diámetro. Detección remota, 12 (8):1236, 2020. Ilya Loshchilov y Frank Hutter. Sgdr: Descenso de gradientes estocásticos con reinicios cálidos, 2016. Ilya Loshchilov y Frank Hutter. Regularización de la pérdida de peso desconocida, 2017. Stefano Puliti, J Paul McLean, Nicolas Cattaneo, Carolin Fischer y Rasmus Astrup. Estimación de la trayectoria de crecimiento de la altura del árbol utilizando datos de escaneo láser de uav uni-temporales y aprendizaje profundo. Forestry, 96(1):37-48, 2023a. Stefano Puliti, Grant Pearse, Peter Surovy, Luke Wallace, Markus Hollaus, Maciej Wielgosz, y ` Rasmus Astrup. Por ejemplo: un conjunto de datos de referencia de escaneo láser de uav para la segmentación semántica e instancia de árboles individuales. arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. Charles R Qi, Or Litany, Kaiming He, y Leonidas J Guibas. Votación profunda para la detección de objetos 3d en nubes de punto. En 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, y Arne Nothdurft. Segmentación automática de la corona de árboles utilizando nubes de puntos de bosque densos a partir de escaneo láser personal (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, y Kamil Kral. 3D Forest: Una aplicación para descripciones de estructuras forestales tridimensionales utilizando LiDAR terrestre. PloS uno, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. Thang Vu, Kookhoi Kim, Tung M Luu, Thanh Nguyen, y Chang D Yoo. Softgroup para la segmentación de instancias 3d en nubes de puntos. En 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, y Norbert Pfeifer. Un estudio de caso de escaneo láser por uas para la medición del diámetro del tronco del árbol. Remote Sensing, 9(11):1154, 2017. B Xiang, T Peters, T Kontogianni, F Vetterli, S Puliti, R Astrup, y K Schindler. hacia la segmentación precisa de instancias en nubes de puntos de lidar a gran escala. 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. 
 
 
 
 Los autores: (1) Jonathan Henrich, Presidente de Estadística y Econometría, Facultad de Economía, Universidad de Gottingen, Alemania (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Instituto de Ciencias de la Computación, Universidad de Gottingen (jan.vandelden@uni-goettingen.de). Authors: (1) Jonathan Henrich, Presidente de Estadística y Econometría, Facultad de Economía, Universidad de Gottingen, Alemania (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Instituto de Ciencias de la Computación, Universidad de Gottingen (jan.vandelden@uni-goettingen.de). 
 
 Este artículo está disponible en archivo bajo la licencia CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International). Este documento es bajo la licencia CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International). Disponible en Archivo Disponible en Archivo

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

Este audio es producido en el idioma original de la historia!

¿Es mejor contar árboles?

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps