หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

สินค้าคงคลังฟอเรสต์อัตโนมัติ: การวิเคราะห์เมฆจุด LiDAR ในอากาศที่มีความหนาแน่นสูงพร้อมการเรียนรู้เชิงลึก 3 มิติ

พื้นที่เก็บข้อมูลนี้แสดงรหัสอย่างเป็นทางการสำหรับรายงานที่มีชื่อว่า "รายการป่าไม้อัตโนมัติ: การวิเคราะห์เมฆชี้ LiDAR ในอากาศที่มีความหนาแน่นสูงพร้อมการเรียนรู้เชิงลึก 3 มิติ"

ตั้งค่าสภาพแวดล้อม

โปรดดูที่ repo ก่อนหน้าของเรา:

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

รวมถึงขั้นตอนโดยละเอียดและปัญหาที่อาจเกิดขึ้นแต่ได้รับการแก้ไขแล้ว

ชุดข้อมูลสำหรับอินสแตนซ์

โปรดแทนที่ไฟล์ Raw เก่าด้วยไฟล์ Raw ใหม่ของเรา:

ตัวอย่างเช่น data_set1_5classes มีข้อมูลสำหรับ "การตั้งค่าพื้นฐาน" ในตารางที่ 4 ในรายงานของเรา

  1. ชุดข้อมูลสำหรับการตั้งค่า "การตั้งค่าพื้นฐาน", "+ การสูญเสียความหมายไบนารี", "+ น้ำหนักคลาส", "+ น้ำหนักส่วนสูง", "+ น้ำหนักภูมิภาค", "+ การบิดเบือนแบบยืดหยุ่นและการสุ่มตัวอย่างย่อย", "+ TreeMix"

คุณสามารถดาวน์โหลดได้:

  1. สำหรับการตั้งค่าอื่น ๆ ที่จะเพิ่มที่นี่

คำสั่งสำหรับรันการทดสอบการแบ่งส่วนพอยต์คลาวด์ตามการตั้งค่าที่แตกต่างกัน: 

 cd / $YOURPATH $/ForAINet/PointCloudSegmentation
  1. การทดลองเรื่อง "การตั้งค่าพื้นฐาน" ในรายงาน 
 # 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#
  1. ทดลองการตั้งค่า "+ การสูญเสียความหมายแบบไบนารี" ในบทความนี้ 
 # 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#
  1. ทดลองตั้งค่า "+ น้ำหนักชั้นเรียน" ในรายงาน 
 # 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#
  1. ทดลองตั้งค่า "+ น้ำหนักส่วนสูง" ในรายงาน 
 # 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#
  1. ทดลองการตั้งค่า "+ น้ำหนักภูมิภาค" ในบทความนี้ 
 # Command for training

# To be added
  1. ทดลองตั้งค่า "+ ความเข้ม" ในรายงาน 
 # 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#
  1. ทดลองตั้งค่า "+ return number" ในงานวิจัย 
 # 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#
  1. ทดลองการตั้งค่า "+ อันดับมุมสแกน" ในบทความนี้ 
 # 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#
  1. ทดลองการตั้งค่า "+ คุณลักษณะที่สร้างขึ้นด้วยมือ" ในรายงาน 
 # 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#
  1. ทดลองการตั้งค่า "+ การบิดเบือนแบบยืดหยุ่นและการสุ่มตัวอย่างย่อย" ในบทความนี้ 
 # 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#
  1. ทดลองการตั้งค่า "+ TreeMix" ในรายงาน 
 # 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#
  1. การทดลองข้อมูลที่มีความหนาแน่นของจุดต่างกัน 
 # 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#
  1. คำสั่งสำหรับการทดสอบ อย่าลืมเปลี่ยนพารามิเตอร์ "checkpoint_dir" เป็นเส้นทางของคุณ

สามารถดาวน์โหลดโมเดลที่ได้รับการฝึกล่วงหน้าของเราได้ที่นี่: 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

คำสั่งสำหรับการรันโค้ดการแยกพารามิเตอร์ทรี: 

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

คำสั่งสำหรับการรันโค้ดเพื่อแยกคุณสมบัติทางเรขาคณิตที่แยกออกมาด้วยตนเอง: 

 # 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

การอ้างอิง

หากคุณพบว่างานของเรามีประโยชน์ โปรดอย่าลังเลที่จะอ้างอิง: 

 @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}
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด