[論文レビュー] Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset

Rehush, Nataliia|arXiv (Cornell University)|Aug 12, 2024

Remote Sensing and LiDAR Applications被引用数 5

ひとこと要約

FOR-species20K ベンチマークデータセットを導入。33種にわたる2万以上の樹木点群を跨ぐデータセットで、TLS、MLS、ULSデータからの種分類を対象とした深層学習モデルのベンチマークを可能にする。

ABSTRACT

Proximally-sensed laser scanning offers significant potential for automated forest data capture, but challenges remain in automatically identifying tree species without additional ground data. Deep learning (DL) shows promise for automation, yet progress is slowed by the lack of large, diverse, openly available labeled datasets of single tree point clouds. This has impacted the robustness of DL models and the ability to establish best practices for species classification. To overcome these challenges, the FOR-species20K benchmark dataset was created, comprising over 20,000 tree point clouds from 33 species, captured using terrestrial (TLS), mobile (MLS), and drone laser scanning (ULS) across various European forests, with some data from other regions. This dataset enables the benchmarking of DL models for tree species classification, including both point cloud-based (PointNet++, MinkNet, MLP-Mixer, DGCNNs) and multi-view image-based methods (SimpleView, DetailView, YOLOv5). 2D image-based models generally performed better (average OA = 0.77) than 3D point cloud-based models (average OA = 0.72), with consistent results across different scanning platforms and sensors. The top model, DetailView, was particularly robust, handling data imbalances well and generalizing effectively across tree sizes. The FOR-species20K dataset, available at https://zenodo.org/records/13255198, is a key resource for developing and benchmarking DL models for tree species classification using laser scanning data, providing a foundation for future advancements in the field.

研究の動機と目的

• 広範な実地データを必要とせず、近接計測レーザスキャンデータからの自動樹種分類を促進する。
• ロバストなDLベンチマーキングのための、単一樹木の点群の大規模で多様かつ公開可能なラベル付きデータセットを提供する。
• 種分類のためのDLモデルのクロスプラットフォームおよびクロスセンサ評価を可能にする。
• 実世界のTLS、MLS、ULSデータ上で2D画像ベースと3D点群ベースのDLアプローチの性能を評価する。

提案手法

• 欧州の森林で、地上TLS、移動MLS、ドローンULSで収集した33種の樹木点群を2万点以上組み立て、注釈を付与する。
• DLモデルを2つのファミリーにわたって評価する：点群ベース（PointNet++, MinkNet, MLP-Mixer, DGCNNs）とマルチビュー画像ベース（SimpleView, DetailView, YOLOv5）。
• 総合精度（OA）を指標として、2D画像ベースと3D点群ベースアプローチの性能を比較する。
• データ不均衡への頑健性と、特に上位のDetailViewモデルに対する木の大きさ間の一般化を分析する。

実験結果

リサーチクエスチョン

• RQ1 FOR-species20Kで訓練されたDLモデルは、複数のセンサと森林にわたって近接計測レーザスキャンデータから樹種を信頼性高く分類できるか。
• RQ2 2D画像ベースの方法と3D点群ベースの方法の精度と頑健性は樹種分類においてどう異なるか。
• RQ3 どの要因（センサタイプ、樹種の不均衡、樹木サイズ）がモデル性能に最も影響を与えるか。
• RQ4 DetailViewモデルはデータ不均衡に対して特に頑健で、さまざまな樹木サイズに対してよく一般化するか。
• RQ5 FOR-species20Kは樹種分類タスクのベンチマーキングを標準化する可能性をどの程度持つか。

主な発見

• 2D画像ベースのモデルは平均精度（OA 0.77）で3D点群ベースのモデル（OA 0.72）を上回った。
• DetailViewモデルがトップパフォーマーとしてデータ不均衡に対する頑健性を示した。
• 評価プラットフォームとセンサを跨いでも性能は一貫しており、プラットフォーム横断的な一般化を示唆する。
• FOR-species20Kデータセットは、点群ベースおよびマルチビュー画像ベースのDLアプローチのベンチマーキングを可能にする。
• このデータセットは、近接計測レーザスキャンデータからの樹種分類の将来の発展の基盤を提供する。