Masanın sol tarafı Abstract ve 1 Giriş 
 
 
 
 Malzemeler ve yöntemler Sonuçlar ve tartışma Sonuçlar ve Referanslar 3 Sonuçlar ve tartışma Bu segment segmentasyon alanı segmentasyon sonuçları veri noktası bulut L1W (MLS, deciduous dominated) için hesaplanmıştır. Bununla birlikte, bu sonuçlar, kamuya açık TreeLearn kontrol noktası kullanılarak elde edilmektedir daha fazla eğitim olmaksızın bir başlangıç hattı olarak hizmet (Tablo 3). Düz düzey verileri ile model fin-tuning (UAV, kuyruklu dominated) bileğinde bileşen segmentasyon performansı F1 puanı bakımından önemli ölçüde artırır. Örneğin, FP tahminleri, ağaç algılama (bir FP) ve semantik segmentasyon (99.41%) bakımından çok sık kontrol edilmezse, manuel olarak atılabilir ya da çok çaba gerektiren ağaç çözümü ile birleştirilebilir. Dralit alanındaki verileri (SML+ 4 Sonuç Bu makalede, çeşitli alanlardan gelen verilerle derin öğrenme tabanlı ağaç segmentasyon yöntemi TreeLearn'ı eğittik ve test performansını sistematik olarak değerlendirdik. Doğuştan MLS nokta bulutları. Kalite sonuçları, bu alanda performans geliştirme rağmen, yüksek çözünürlüklü verilerle yalnızca eğitim, düşük çözünürlüklü UAV ayarlarında (Şekil 2) kötü genelleşmeye yol açar. Eğitim sırasında yüksek çözünürlüklü veriler de dahil olmak üzere UAV verileri bu sorunu hafifletir. Bu, çeşitli alanlar için uygulanabilir modeller elde etmek için geniş bir eğitim veritabanının önemini vurgulamaktadır. Mevcut orman nokta bulutları zenginleştirmek için, önceki çalışmalardan etiketli ağaç verileri tüm orman nokta bulutuna yayıldı ve orman yapısı açısından daha güçlü alan değişikliklerinin performans açısından etkileri araştırılmalıdır, örneğin, farklı orman nokta bulutlarının ölçülebilir bir karakterizasyonu Bu çalışmanın sonuçları, derin öğrenmenin genel ağaç segmentasyon yöntemlerini elde etme potansiyeli için öncelikli kanıt olarak kabul edilebilir. Bu tür yöntemler yüksek kaliteli etiketli orman verilerine dayanırken, son zamanlarda birçok çalışma bu gereksinimi kamuya sunarak kabul etmiştir. Derin öğrenme yöntemlerinin hızlı gelişimi ve daha yüksek kaliteli etiketli verilerin mevcut olması nedeniyle, derin öğrenme tabanlı ağaç segmentasyonunun giderek daha güçlü bir araç haline gelmesini bekliyoruz. Geleneksel segmentasyon yöntemlerinden farklı olarak, bu yöntemler, verilerle yönlendirilen farklı özelliklerle orman noktası bulutları için segmentasyon kurallarını öğrenebilir, böylece alanlar için tasarlanmış karmaşık hiperparametrik ayarlama veya modellerin gereksinimini ortadan kaldırır. Referanslar Andrew Burt, Mathias Disney ve Kim Calders. Ağaçlar Ekol. 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 ve Mathias Disney. Lazer taraması, ıslak ormanlarda biyomass karbonun potansiyel olarak küçüldüğünü ortaya koyuyor. Ekolojik Çözümler ve Kanıtlar, 3(4): e12197, 2022. GreenValley International. Lidar360 nokta bulut işleme sonrası yazılımı, 2022. URL https: //greenvalleyintl.com/LiDAR360. Erişimi: 26.10.2022. Jonathan Henrich, Jan van Delden, Dominik Seidel, Thomas Kneib ve Alexander Ecker. Treelearn: Orman noktası bulutlarından bireysel ağaçları bölmek için kapsamlı bir derin öğrenme yöntemi. arXiv preprint arXiv:2309.08471, 2023. Li Jiang, Hengshuang Zhao, Shaoshuai Shi, Shu Liu, Chi-Wing Fu ve Jiaya Jia. Nokta grubu: 3d örneğin bölünmesi için çift noktalar grubu. Proc. IEEE/CVF conf. comput. vis. Pattern recognit., say. 4867–4876, 2020. doi: https://doi.org/10.1109/cvpr42600.2020.00492. Karel Kuzelka, Martin Slavık ve Peter Surovy. Çok yüksek yoğunluklu nokta bulutları, otomatik ağaç gövde algılaması ve doğrudan çap ölçümleri için uav lazer'den. Uzaktan algılama, 12 (8):1236, 2020. Ilya Loshchilov ve Frank Hutter. Sgdr: Sıcak yeniden başlangıçlarla Stochastic gradient descent, 2016. Ilya Loshchilov ve Frank Hutter. Çözülmüş kilo kaybı düzenleme, 2017. Stefano Puliti, J Paul McLean, Nicolas Cattaneo, Carolin Fischer ve Rasmus Astrup. Ağaçların yüksekliği ve büyüme yörünge tahminleri, uni-temporal uav lazer tarama verileri ve derin öğrenme kullanılarak. Ormancılık, 96(1):37-48, 2023a. Örneğin: bireysel ağaçların semantik ve örneğin bölünmesi için bir uav lazer tarama benchmark veritabanı. arXiv prepr. arXiv:2309.01279, 2023b. doi: https://doi.org/10. 1109/ccdc52312.2021.9602282. Charles R Qi, Or Litany, Kaiming He, ve Leonidas J Guibas. 3d nesne algılama için derin bir oy. 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 ve Arne Nothdurft. Kişisel lazer taramasından yoğun orman noktası bulutları kullanarak otomatik ağaç taht segmentasyonu (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, ve Kamil Kral. 3D Orman: Üç boyutlu orman yapılarının yeraltı LiDAR kullanılarak tanımlanması için bir uygulama. PloS bir, 12(5):e0176871, 2017. doi: https://doi.org/10.1371/journal.pone.0176871. Thang Vu, Kookhoi Kim, Tung M Luu, Thanh Nguyen ve Chang D Yoo. Nokta bulutlarında 3d örneğin bölünmesi için yazılım grubu. 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 ve Norbert Pfeifer. Ağaç gövdesinin çapını ölçmek için uas taşıyan lazer tarama bir vaka çalışması. Uzaktan algılama, 9(11):1154, 2017. B. Xiang, T. Peters, T. Kontogianni, F. Vetterli, S. Puliti, R. Astrup ve K. Schindler. Büyük ölçekli lidar nokta bulutlarında doğru örnek segmentasyonuna doğru. 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. 
 
 
 
 Yazarlar : (1) Jonathan Henrich, İstatistik ve Ekonometrik Başkanı, Ekonomi Fakültesi, Gottingen Üniversitesi, Almanya (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Bilgisayar Bilimleri Enstitüsü, Almanya Gottingen Üniversitesi (jan.vandelden@uni-goettingen.de). Authors: (1) Jonathan Henrich, İstatistik ve Ekonometrik Başkanı, Ekonomi Fakültesi, Gottingen Üniversitesi, Almanya (jonathan.henrich@uni-goettingen.de) (2) Jan van Delden, Bilgisayar Bilimleri Enstitüsü, Almanya Gottingen Üniversitesi (jan.vandelden@uni-goettingen.de). 
 
 Bu makale CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) lisansı altında mevcuttur. Bu makale CC by-SA 4.0 Deed (Attribution-Sharealike 4.0 International) lisansı altında mevcuttur. Arşivde kullanılabilir

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

Ağaçları saymak için daha iyi

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

Benzersiz Bir Ekosistemi Güçlendiren Bitcoin UTXO Modeli

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Başarılı Buluta Geçiş İçin Tam Kılavuz: Stratejiler ve En İyi Uygulamalar

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps