[논문 리뷰] Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset

Rehush, Nataliia|arXiv (Cornell University)|2024. 08. 12.

Remote Sensing and LiDAR Applications인용 수 5

한 줄 요약

FOR-species20K 벤치마크 데이터셋을 도입하여 33 종에 걸친 2만 점 트리 포인트 클라우드 이상에서 DL 모델의 종 분류 벤치마킹을 가능하게 한다.

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.

연구 동기 및 목표

• 광범위한 현장 데이터 없이도 근접 측정된 레이저 스캐닝 데이터를 활용한 자동 트리 종 분류를 촉진한다.
• 강건한 DL 벤치마킹을 위한 단일 나무 포인트 클라우드의 크고 다양한 공개 라벨링 데이터셋을 제공한다.
• 종 분류를 위한 DL 모델의 교차 플랫폼 및 교차 센서 평가를 가능하게 한다.
• 실세계 TLS, MLS, ULS 데이터에서 2D 이미지 기반과 3D 포인트 클라우드 기반 DL 접근법의 성능을 평가한다.

제안 방법

• 유럽 숲 전역에서 지상 TLS, 이동식 MLS, 드론 ULS로 수집된 33종의 트리 포인트 클라우드 20,000개 이상을 수집하고 주석을 다는 것.
• 두 계열의 DL 모델을 평가: 포인트 클라우드 기반(PointNet++, MinkNet, MLP-Mixer, DGCNNs)과 다중 시야 이미지 기반(SimpleView, DetailView, YOLOv5).
• 전체 정확도(OA)를 지표로 2D 이미지 기반과 3D 포인트 클라우드 기반 접근법 간의 성능을 비교한다.
• 특히 최고 성능인 DetailView 모델의 경우 데이터 불균형에 대한 강건성과 나무 크기에 따른 일반화를 분석한다.

실험 결과

연구 질문

• RQ1 FOR-species20K로 훈련된 DL 모델이 여러 센서와 숲에서 근접 측정된 레이저 스캐닝 데이터를 통해 트리 종을 신뢰할 수 있게 분류할 수 있는가?
• RQ2 트리 종 분류에서 정확도와 강건성 측면에서 2D 이미지 기반 방법과 3D 포인트 클라우드 기반 방법은 어떻게 비교되는가?
• RQ3 어떤 요인들(센서 유형, 종 불균형, 나무 크기)이 모델 성능에 가장 큰 영향을 미치는가?
• RQ4 DetailView 모델이 데이터 불균형에 특별히 강건하고 다양한 나무 크기에 잘 일반화되는가?
• RQ5 트리 종 분류 작업의 벤치마킹 표준화에 대한 FOR-species20K의 전반적인 잠재력은 무엇인가?

주요 결과

• 2D 이미지 기반 모델이 평균 정확도(OA 0.77)에서 3D 포인트 클라우드 기반 모델(OA 0.72)보다 높은 성능을 보였다.
• DetailView 모델이 최상위 성능자로 떠올랐고 데이터 불균형에 대한 강건성을 보였다.
• 성능은 프로빙 플랫폼과 센서 전반에 걸쳐 일관되었으며 교차 플랫폼 일반화를 시사한다.
• FOR-species20K 데이터셋은 포인트 클라우드 기반과 다중 뷰 이미지 기반 DL 접근법 모두의 벤치마킹을 가능하게 한다.
• 데이터셋은 근접 측정 레이저 스캐닝 데이터를 이용한 트리 종 분류의 향후 발전을 위한 토대를 제공한다.