ForAINet

Автоматизированная инвентаризация леса: анализ высокоплотных облаков точек LiDAR с помощью воздушного 3D-обучения

Этот репозиторий представляет собой официальный код статьи под названием «Автоматическая инвентаризация лесов: анализ облаков точек высокой плотности с помощью бортового LiDAR с глубоким трехмерным обучением».

Настройка среды

Пожалуйста, обратитесь к нашему предыдущему репозиторию:

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

Он включает подробные шаги и проблемы, которые могут возникнуть, но уже решены.

Набор данных FOR-экземпляра

Пожалуйста, замените старые необработанные файлы нашими новыми необработанными файлами:

Например, data_set1_5classes содержит данные для «базовых настроек» в таблице 4 нашей статьи.

1. набор данных для настроек «базовая настройка», «+ бинарная семантическая потеря», «+ веса классов», «+ веса высоты», «+ веса регионов», «+ упругое искажение и подвыборка», «+ TreeMix»

Вы можете скачать его:

2. Здесь можно добавить другие настройки.

Команды для проведения экспериментов по сегментации облака точек на основе различных настроек:

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation

1. Поэкспериментируйте с «базовыми настройками» в статье.

 # 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. Эксперимент с настройкой «+ бинарная семантическая потеря» в статье.

 # 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. Поэкспериментируйте с настройкой «+ веса классов» в статье.

 # 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. Поэкспериментируйте с настройкой «+рост веса» в статье.

 # 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. Эксперимент по настройке «+ веса регионов» в статье.

 # Command for training

# To be added

6. Поэкспериментируйте с настройкой «+интенсивность» в статье.

 # 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. Поэкспериментируйте с настройкой «+номер возврата» в статье.

 # 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. Эксперимент по настройке «+ ранг угла сканирования» в статье.

 # 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. Экспериментируйте с настройкой «+ ручные функции» в статье.

 # 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. Эксперимент с настройкой «+ упругое искажение и субдискретизация» в статье.

 # 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. Поэкспериментируйте с настройкой «+ TreeMix» в статье.

 # 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. Эксперименты для данных с разной плотностью точек

 # 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. Команды для тестирования. Не забудьте изменить параметр «checkpoint_dir» на свой путь.

Нашу предварительно обученную модель можно скачать здесь: 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

Команды для запуска кода извлечения параметров дерева:

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

Команды для запуска кода для извлечения вручную извлеченных геометрических объектов:

 # 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

Цитирование

Если наша работа окажется для вас полезной, пожалуйста, не стесняйтесь цитировать ее:

 @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}
}