ForAINet

자동화된 산림 목록: 3D 딥 러닝을 통한 고밀도 공중 LiDAR 포인트 클라우드 분석

이 저장소는 "자동화된 산림 목록: 3D 딥 러닝을 통한 고밀도 공중 LiDAR 포인트 클라우드 분석"이라는 제목의 논문에 대한 공식 코드를 나타냅니다.

환경 설정

이전 저장소를 참조하세요.

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

여기에는 발생할 수 있지만 이미 해결된 세부 단계와 문제가 포함되어 있습니다.

FOR-인스턴스 데이터 세트

이전 원시 파일을 새 원시 파일로 바꾸십시오.

예를 들어 data_set1_5classes에는 본 논문의 표 4에 있는 "기본 설정"에 대한 데이터가 포함되어 있습니다.

1. "기본 설정", "+ 이진 의미 손실", "+ 클래스 가중치", "+ 높이 가중치", "+ 영역 가중치", "+ 탄성 왜곡 및 서브샘플링", "+ TreeMix" 설정을 위한 데이터 세트

다운로드할 수 있습니다:

2. 여기에 다른 설정을 추가하려면

다양한 설정을 기반으로 포인트 클라우드 분할 실험을 실행하기 위한 명령:

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation

1. 논문의 "기본 설정"을 실험해 보세요.

 # 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. 논문에서 "+ 이진 의미 손실" 설정에 대한 실험

 # 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. 논문에서 "+ 클래스 가중치" 설정 실험

 # 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. 논문에서 "+ 높이 가중치" 설정 실험

 # 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. 논문에서 "+ 지역 가중치" 설정 실험

 # Command for training

# To be added

6. 논문에서 "+ 강도" 설정에 대한 실험

 # 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. 논문에서 "+ 반환 번호" 설정에 대한 실험

 # 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. 논문에서 "+ 스캔 각도 순위" 설정에 대한 실험

 # 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. 논문에서 "+ 수작업 기능" 설정 실험

 # 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. 논문에서 "+탄성왜곡 및 서브샘플링" 설정 실험

 # 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. 논문에서 "+TreeMix" 설정 실험

 # 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. 포인트 밀도가 다른 데이터에 대한 실험

 # 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. 테스트를 위한 명령입니다. "checkpoint_dir" 매개변수를 경로로 변경하는 것을 잊지 마세요.

사전 훈련된 모델은 여기에서 다운로드할 수 있습니다: 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

트리 매개변수 추출 코드를 실행하기 위한 명령:

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

수동으로 추출된 기하학적 특징을 추출하기 위한 코드를 실행하는 명령:

 # 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

인용

우리의 작업이 유용하다고 생각되면 주저하지 말고 인용해 주세요.

 @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}
}