ForAINet

Inventario forestal automatizado: análisis de nubes de puntos LiDAR aéreos de alta densidad con aprendizaje profundo 3D

Este repositorio representa el código oficial del artículo titulado "Inventario forestal automatizado: análisis de nubes de puntos LiDAR aerotransportadas de alta densidad con aprendizaje profundo 3D".

Configurar el entorno

Consulte nuestro repositorio anterior:

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

Incluye los pasos detallados y los problemas que pueden ocurrir pero que ya están resueltos.

Conjunto de datos de instancia FOR

Reemplace los archivos sin formato antiguos con nuestros nuevos archivos sin formato:

Por ejemplo, data_set1_5classes contiene los datos para la "configuración básica" en la Tabla 4 de nuestro artículo.

1. conjunto de datos para la configuración "configuración básica", "+ pérdida semántica binaria", "+ ponderaciones de clase", "+ ponderaciones de altura", "+ ponderaciones de región", "+ distorsión elástica y submuestreo", "+ TreeMix"

Puedes descargarlo:

2. Para agregar otras configuraciones aquí.

Comandos para ejecutar experimentos de segmentación de nubes de puntos basados ​​en diferentes configuraciones:

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation

1. Experimente la "configuración básica" en el artículo.

 # 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. Experimento para la configuración "+ pérdida semántica binaria" en el artículo

 # 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. Experimento para configurar "+ pesos de clase" en el documento

 # 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. Experimente para configurar "+ pesos de altura" en el documento

 # 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. Experimento para configurar "+ pesos de región" en el documento

 # Command for training

# To be added

6. Experimente para configurar "+ intensidad" en el papel

 # 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. Experimente para configurar "+ número de devolución" en el documento

 # 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. Experimento para la configuración "+ rango de ángulo de escaneo" en el documento

 # 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. Experimente para configurar "+ características hechas a mano" en el documento

 # 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. Experimento para la configuración "+ distorsión elástica y submuestreo" en el artículo

 # 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. Experimente para configurar "+ TreeMix" en el documento

 # 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. Experimentos para datos con diferente densidad de puntos.

 # 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. Comandos para realizar pruebas. Recuerde cambiar el parámetro "checkpoint_dir" a su ruta.

Nuestro modelo previamente entrenado se puede descargar aquí: 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

Comandos para ejecutar código de extracción de parámetros de árbol:

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

Comandos para ejecutar código para extraer características geométricas extraídas manualmente:

 # 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

Citando

Si encuentra útil nuestro trabajo, no dude en citarlo:

 @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}
}