stolovi lijeve strane Abstrakt i 1 Uvod 
 
 
 
 Materijali i metode Rezultati i rasprava Zaključak i reference 3 Rezultati i rasprava Međutim, rezultati dobiveni korištenjem javno dostupne TreeLearn kontrolne točke bez dodatnog osposobljavanja služe kao osnovna linija (Tabela 3). Čak i kada fin-tuning model s out-of-domain podataka (UAV, coniferous dominated), performanse instance segmentacije u odnosu na F1-score znatno povećava od 93.98% do 96.25%. U smislu detekcije drveća (jedan FP) i semantičke segmentacije (99.41%), model djeluje malo gore od fin-tuned podataka (UAV, coniferous dominated). Međutim, ti aspekti su manje važni u usporedbi s slučajevima instance segmentacije performanse. Na primjer, FP predviđanja mogu biti ručno odbačeni ili spajani u kompletno rješenje drveća 4 Zaključak U ovom članku smo obučavali metodu segmentacije stabala TreeLearn na temelju dubokog učenja s podacima iz različitih domena i sustavno ocijenili njezine testne performanse. kvalitativni rezultati pokazuju da obuka isključivo s visokoučinkovitim podacima, iako poboljšanje performansi u ovom području, dovodi do loše generalizacije u niskoučinkovitim UAV postavkama (slika 2). Uključivanje podataka UAV-a pored visokoučinkovitih podataka tijekom obuke ublažava ovaj problem. To naglašava važnost široke baze podataka za obuku kako bi se dobili modeli koji su primjenjivi na širok raspon domena. Da bi se obogatili dostupni šumski točki oblaka, označeni podaci o drveću iz prethodnih radova proširili su se na cijeli šumski točki oblak i javno dostupni na https://doi.org/10.25625/QUTUWU. Idemo dalje, treba uspostaviti kvantitativnu karakterizaciju različitih Rezultati ove studije mogu se smatrati preliminarnim dokazima o potencijalu dubokog učenja za dobivanje općih metoda segmentacije stabala. Dok se takve metode oslanjaju na visokokvalitetne označene podatke o šumama, mnogi nedavni radovi priznali su tu potrebu pružanjem javno dostupnih skupova podataka. Zbog brzog razvoja metoda dubokog učenja i dostupnosti sve više i više visokokvalitetnih označenih podataka, očekujemo da će segmentacija stabala temeljena na dubokom učenju postati sve moćniji alat. Za razliku od tradicionalnih metoda segmentacije, takve metode mogu naučiti pravila segmentacije za šumske točke oblaka s raznolikim karakteristikama na način koji se temelji na podacima, čime se uklanja potreba za skupim hiperparameterizacijom ili model Reference Andrew Burt, Mathias Disney, i Kim Calders. Ekstrakcija pojedinačnih stabala iz oblaka lidar točke pomoću treeseg. Metode 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 i Mathias Disney. Lasersko skeniranje otkriva potencijalno podcjenjivanje ugljika iz biomase u umjerenim šumama. Ekološka rješenja i dokazi, 3(4): e12197, 2022. GreenValley International. Lidar360 softver za postprocesiranje u oblaku, 2022. URL https: //greenvalleyintl.com/LiDAR360. Pristupljeno: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib i Alexander Ecker. Treelearn: sveobuhvatna metoda dubokog učenja za segmentaciju pojedinih stabala iz oblaka šumskih točaka. arXiv preprint arXiv:2309.08471, 2023. Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu, i Jiaya Jia. Pojedinačna skupina: Dvojna skupina točaka za segmentaciju 3d instance. U Proc. IEEE/CVF conf. comput. vis. Pattern recognit., str. 4867–4876, 2020. doi: https://doi.org/10.1109/cvpr42600.2020.00492. Karel Kuzelka, Martin Slavık, i Peter Surovy. Vrlo visoke gustoće točke oblaka iz uav laser ` skeniranje za automatsko detekciju stabla stabljike i izravno mjerenje promjera. Remote Sensing, 12 (8):1236, 2020. Ilya Loshchilov i Frank Hutter.Sgdr: Stohastički gradientni pad s toplim ponovnim pokretima, 2016. Ilya Loshchilov i Frank Hutter. Odvojena regulacija gubitka težine, 2017. Stefano Puliti, J. Paul McLean, Nicolas Cattaneo, Carolin Fischer i Rasmus Astrup. Procjena staze rasta visine stabla pomoću podataka uni-temporalnog laserskog skeniranja uva i dubokog učenja. Šumarstvo, 96(1):37-48, 2023a. Stefano Puliti, Grant Pearse, Peter Surovy, Luke Wallace, Markus Hollaus, Maciej Wielgosz, i ` Rasmus Astrup. Na primjer: skup podataka za skeniranje lasera uva za semantičko i primjerno segmentaciju pojedinih stabala. arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. Charles R Qi, Or Litany, Kaiming He, i Leonidas J Guibas. Duboko glasovanje za detekciju 3d objekata u točkovnim oblacima. U proc. IEEE/CVF Int. Conf. Comput. Vis., str. 9277–9286, 2019. doi: https://doi.org/10.1109/iccv.2019.00937. Andreas Tockner, Christoph Gollob, Ralf Kraßnitzer, Tim Ritter i Arne Nothdurft. Automatska segmentacija krune stabla pomoću gustoh šumskih točkovnih oblaka iz osobnog laserskog skeniranja (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, i Kamil Kral. 3D Šuma: Aplikacija za opise tridimenzionalnih šumskih struktura koristeći zemaljski LiDAR. PloS jedan, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. Thang Vu, Kookhoi Kim, Tung M Luu, Thanh Nguyen i Chang D Yoo. Softgroup za segmentaciju 3d instance na točkovnim oblacima. U Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., str. 2708–2717, 2022. doi: https://doi.org/10.1109/cvpr52688.2022.00273. Martin Wieser, Gottfried Mandlburger, Markus Hollaus, Johannes Otepka, Philipp Glira i Norbert Pfeifer. Studija slučaja laserskog skeniranja za mjerenje promjera stabljika drveća. Daljnje senzorije, 9(11):1154, 2017. B. Xiang, T. Peters, T. Kontogianni, F. Vetterli, S. Puliti, R. Astrup i K. Schindler. U smjeru precizne segmentacije primjeraka u oblakima velikih točaka. 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. 
 
 
 
 Autori : (1) Jonathan Henrich, predsjedatelj statistike i ekonometrije, Ekonomski fakultet, Sveučilište Gottingen, Njemačka (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institut za računalne znanosti, Sveučilište Gottingen Njemačka (jan.vandelden@uni-goettingen.de). Authors: (1) Jonathan Henrich, predsjedatelj statistike i ekonometrije, Ekonomski fakultet, Sveučilište Gottingen, Njemačka (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Institut za računalne znanosti, Sveučilište Gottingen Njemačka (jan.vandelden@uni-goettingen.de). 
 
 Ovaj dokument je dostupan na arhivu pod licencom CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International). Ovaj dokument je dostupan na arhivu pod licencom CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International). Dostupno u Arhivu

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

Ovaj zvuk je proizveden na izvornom jeziku priče!

AI jednostavno dobio bolje u brojanju stabala

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps