PosE-Enhanced Point Transformer with Local Surface Features (LSF) for Wood–Leaf Separation
Notice bibliographique
Résumé
Wood–leaf separation from forest LiDAR point clouds is a challenging task due to the complex and irregular structures of tree canopies. Traditional machine vision and deep learning methods often struggle to accurately distinguish between fine branches and leaves. This challenge arises primarily from the lack of suitable features and the limitations of existing position encodings in capturing the unique and intricate characteristics of forest point clouds. In this work, we propose an innovative approach that integrates Local Surface Features (LSF) and a Position Encoding (PosE) module within the Point Transformer (PT) network to address these challenges. We began by preprocessing point clouds and applying a machine vision technique, supplemented by manual correction, to create wood–leaf-separated datasets of forest point clouds for training. Next, we introduced Point Feature Histogram (PFH) to construct LSF for each point network input, while utilizing Fast PFH (FPFH) to enhance computational efficiency. Subsequently, we designed a PosE module within PT, leveraging trigonometric dimensionality expansion and Random Fourier Feature-based Transformation (RFFT) for nuanced feature analysis. This design significantly enhances the representational richness and precision of forest point clouds. Afterward, the segmented branch point cloud was used to model tree skeletons automatically, while the leaves were incorporated to complete the digital twin. Our enhanced network, tested on three different types of forests, achieved up to 96.23% in accuracy and 91.51% in mean intersection over union (mIoU) in wood–leaf separation, outperforming the original PT by approximately 5%. This study not only expands the limits of forest point cloud research but also demonstrates significant improvements in the reconstruction results, particularly in capturing the intricate structures of twigs, which paves the way for more accurate forest resource surveys and advanced digital twin construction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».