ForAINet

Inventário florestal automatizado: análise de nuvens de pontos LiDAR aerotransportadas de alta densidade com aprendizagem profunda 3D

Este repositório representa o código oficial do artigo intitulado "Inventário florestal automatizado: análise de nuvens de pontos LiDAR aerotransportadas de alta densidade com aprendizagem profunda 3D".

Configurar ambiente

Consulte nosso repositório anterior:

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

Inclui etapas detalhadas e problemas que podem acontecer, mas já foram resolvidos.

Conjunto de dados FOR-Instance

Substitua os arquivos brutos antigos pelos nossos novos arquivos brutos:

Por exemplo, data_set1_5classes contém os dados para "configuração básica" na Tabela 4 em nosso artigo.

1. conjunto de dados para configurações "configuração básica", "+ perda semântica binária", "+ pesos de classe", "+ pesos de altura", "+ pesos de região", "+ distorção elástica e subamostragem", "+ TreeMix"

Você pode baixá-lo:

2. Para que outras configurações sejam adicionadas aqui.

Comandos para executar experimentos de segmentação de nuvem de pontos com base em diferentes configurações:

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation

1. Experimente a "configuração básica" no artigo.

 # 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. Experimente a configuração "+ perda semântica binária" no artigo

 # 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. Experimente a configuração "+ pesos de classe" no artigo

 # 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 a configuração "+ pesos de altura" no papel

 # 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. Experimente a configuração "+ pesos de região" no artigo

 # Command for training

# To be added

6. Experimente a configuração "+ intensidade" no 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 a configuração "+ número de retorno" no artigo

 # 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. Experimente a configuração "+ classificação do ângulo de varredura" no artigo

 # 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 a configuração "+ recursos artesanais" no papel

 # 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. Experimente a configuração "+ distorção elástica e subamostragem" no artigo

 # 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 a configuração "+ TreeMix" no artigo

 # 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 dados com diferentes densidades de pontos

 # 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 teste. Lembre-se de alterar o parâmetro "checkpoint_dir" para o seu caminho.

Nosso modelo pré-treinado pode ser baixado aqui: 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 executar o código de extração de parâmetros de árvore:

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

Comandos para executar código para extrair recursos geométricos extraídos 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

Se você achar nosso trabalho útil, não hesite em citá-lo:

 @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}
}