Segmentation of Individual Trees in TLS Point Clouds via Graph Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Individual tree segmentation from terrestrial laser scanning (TLS) point clouds is essential for precise forest inventory, instance-level tree modeling, and the estimation of forest stock volume. However, current instance-level segmentation techniques encounter significant challenges in complex forest environments, particularly those characterized by dense understory vegetation and substantial crown overlap in natural forests. These complexities reduce segmentation accuracy and limit the generalizability of existing methods across diverse forest types. This paper presents a unified method for individual tree segmentation that integrates trunk localization with crown segmentation. The trunk localization uses normal vector features to eliminate non-trunk slice points, employs an enhanced DBSCAN algorithm for trunk slice separation, and refines trunk positions by fitting circular-like trunk slices using the Hough transform. This integrated approach ensures precise segmentation and optimization of final trunk positions. Subsequently, a graph-based optimization method is applied for crown segmentation. This method incorporates supervoxel technology, an optimal Euclidean distance metric between supervoxels, and a supervoxel similarity metric to construct an optimal undirected graph. Tree crown supervoxels are segmented by tracing the shortest path from the crown supervoxels to their corresponding tree roots. We validated the proposed method on eight sample plots representing various complexities and forest types. For tree trunk localization, the proposed method achieved an average Mean accuracy of 0.761, which is 27% higher than the best result among the three traditional methods. For crown segmentation, it achieved an average mIoU of 0.645, marking a 31% improvement over the best baseline performance. The source code for our individual tree segmentation method is available at https://github.com/TLS-tree/tree-segmentation.
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.
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 | 0,001 | 0,001 |
| 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 découle