ForAINet

Automatisierte Waldinventur: Analyse luftgestützter LiDAR-Punktwolken hoher Dichte mit 3D-Deep-Learning

Dieses Repository stellt den offiziellen Code für die Arbeit mit dem Titel „Automated Forest Inventory: Analysis of High-Density Airborne LiDAR Point Clouds with 3D Deep Learning“ dar.

Umgebung einrichten

Bitte beachten Sie unser vorheriges Repo:

https://github.com/prs-eth/PanopticSegForLargeScalePointCloud

Es enthält die detaillierten Schritte und Probleme, die auftreten können, aber bereits gelöst sind.

FOR-Instanzdatensatz

Bitte ersetzen Sie die alten Rohdateien durch unsere neuen Rohdateien:

data_set1_5classes enthält beispielsweise die Daten für „Grundeinstellung“ in Tabelle 4 in unserem Artikel.

1. Datensatz für Einstellungen „Grundeinstellung“, „+ binärer semantischer Verlust“, „+ Klassengewichte“, „+ Höhengewichte“, „+ Regionsgewichte“, „+ elastische Verzerrung und Unterabtastung“, „+ TreeMix“

Sie können es herunterladen:

2. Weitere Einstellungen können hier hinzugefügt werden.

Befehle zum Ausführen von Punktwolken-Segmentierungsexperimenten basierend auf verschiedenen Einstellungen:

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation

1. Experiment zur „Grundeinstellung“ in der Arbeit.

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1 models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1 job_name= # YOUR_JOB_NAME#

2. Experimentieren Sie mit der Einstellung „+ binärer semantischer Verlust“ im Artikel

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1 models=panoptic/FORpartseg_3heads_BiLoss model_name=PointGroup-PAPER training=treeins_set1_addBiLoss job_name= # YOUR_JOB_NAME#

3. Experimentieren Sie mit der Einstellung „+ Klassengewichte“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_classweight models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_nw8_classweight job_name= # YOUR_JOB_NAME#

4. Experimentieren Sie mit der Einstellung „+ Höhengewichte“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_classweight models=panoptic/FORpartseg_3heads_heightweight model_name=PointGroup-PAPER training=treeins_set1_heightweight job_name= # YOUR_JOB_NAME#

5. Experimentieren Sie mit der Einstellung „+ Regionsgewichte“ im Papier

 # Command for training

# To be added

6. Experimentieren Sie mit der Einstellung „+ Intensität“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_add_intensity models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_intensity job_name= # YOUR_JOB_NAME#

7. Experimentieren Sie mit der Einstellung „+ Rückgabenummer“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_add_return_num models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_return_num job_name= # YOUR_JOB_NAME#

8. Experimentieren Sie mit der Einstellung „+ Scanwinkelrang“ im Artikel

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_add_scan_angle_rank models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_scan_angle_rank job_name= # YOUR_JOB_NAME#

9. Experimentieren Sie mit der Einstellung „+ handgefertigte Funktionen“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_add_all_20010 models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_addallFea_20010 job_name= # YOUR_JOB_NAME#

10. Experimentieren Sie mit der Einstellung „+ elastische Verzerrung und Unterabtastung“ im Artikel

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_curved_subsam models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_addCurvedSubsample job_name= # YOUR_JOB_NAME#

11. Experimentieren Sie mit der Einstellung „+ TreeMix“ im Papier

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_treemix3d models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=treeins_set1_mixtree job_name= # YOUR_JOB_NAME#

12. Experimente für Daten mit unterschiedlicher Punktdichte

 # Command for training
python train.py task=panoptic data=panoptic/treeins_set1_treemix3d_pd#POINT_DENSITY# models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=mixtree_#POINT_DENSITY# job_name= # YOUR_JOB_NAME#

# take point density=10 as an example
python train.py task=panoptic data=panoptic/treeins_set1_treemix3d_pd10 models=panoptic/FORpartseg_3heads model_name=PointGroup-PAPER training=mixtree_10 job_name= # YOUR_JOB_NAME#

13. Befehle zum Testen. Denken Sie daran, den Parameter „checkpoint_dir“ in Ihren Pfad zu ändern.

Unser vorab trainiertes Modell kann hier heruntergeladen werden: https://polybox.ethz.ch/index.php/s/aUypOXxOW3pYPe9

 # Command for test
# remember to change the following 2 parameters in eval.yaml:
# 1. "checkpoint_dir" to your log files path
# 2. "data" is the paths for your test files
python eval.py

# Command for output the final evaluation file
# replace parameter "test_sem_path" by your path
python evaluation_stats_FOR.py

Befehle zum Ausführen des Extraktionscodes für Baumparameter:

 cd / $YOURPATH $/ForAINet/tree_metrics
# remember to adjust parameters based on your dataset
python measurement.py

Befehle zum Ausführen von Code zum Extrahieren manuell extrahierter geometrischer Merkmale:

 # Please note that our code is based on the Superpoint Graphs repository, which can be found at https://github.com/loicland/superpoint_graph. We have included our custom partition_FORdata.py file.
cd / $YOURPATH $/ForAINet/superpoint_graph/partition
python partition_FORdata.py

Zitieren

Wenn Sie unsere Arbeit nützlich finden, zögern Sie bitte nicht, sie zu zitieren:

 @article{
  xiang2024automated,
  title={Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning},
  author={Binbin Xiang, Maciej Wielgosz, Theodora Kontogianni, Torben Peters, Stefano Puliti, Rasmus Astrup, Konrad Schindler},
  journal={Remote Sensing of Environment},
  volume={305},
  pages={114078},
  year={2024},
  publisher={Elsevier}
}