[논문 리뷰] FOR-instance: a UAV laser scanning benchmark dataset for semantic and instance segmentation of individual trees

Stefano Puliti, Grant D. Pearse외 5명|arXiv (Cornell University)|2023. 09. 03.

Remote Sensing and LiDAR Applications인용 수 26

한 줄 요약

FOR-instance 데이터셋은 개별 나무의 의미론적 및 인스턴스 세분화를 위한 수동 주석이 달린 다섯 개의 선별된 UAV LiDAR 컬렉션을 제공하여 학습/테스트 벤치마킹을 가능하게 하고 3D 산림 분석용 DBH 데이터를 포함합니다.

ABSTRACT

The FOR-instance dataset (available at https://doi.org/10.5281/zenodo.8287792) addresses the challenge of accurate individual tree segmentation from laser scanning data, crucial for understanding forest ecosystems and sustainable management. Despite the growing need for detailed tree data, automating segmentation and tracking scientific progress remains difficult. Existing methodologies often overfit small datasets and lack comparability, limiting their applicability. Amid the progress triggered by the emergence of deep learning methodologies, standardized benchmarking assumes paramount importance in these research domains. This data paper introduces a benchmarking dataset for dense airborne laser scanning data, aimed at advancing instance and semantic segmentation techniques and promoting progress in 3D forest scene segmentation. The FOR-instance dataset comprises five curated and ML-ready UAV-based laser scanning data collections from diverse global locations, representing various forest types. The laser scanning data were manually annotated into individual trees (instances) and different semantic classes (e.g. stem, woody branches, live branches, terrain, low vegetation). The dataset is divided into development and test subsets, enabling method advancement and evaluation, with specific guidelines for utilization. It supports instance and semantic segmentation, offering adaptability to deep learning frameworks and diverse segmentation strategies, while the inclusion of diameter at breast height data expands its utility to the measurement of a classic tree variable. In conclusion, the FOR-instance dataset contributes to filling a gap in the 3D forest research, enhancing the development and benchmarking of segmentation algorithms for dense airborne laser scanning data.

연구 동기 및 목표

• 레이저 스캐닝 데이터로부터 정확한 개별 나무 분할의 필요성에 대응한다.
• 표준화된 ML-준비 벤치마크를 제공하여 밀집한 3D 산림 현장에서 인스턴스 및 의미 단의 세분화를 향상시키기 위함이다.
• 전 세계 위치에서 다양한 UAV 기반 LiDAR 컬렉션을 제공하여 일반화 가능한 벤치마킹을 지원한다.
• 개발 및 테스트 분할과 활용에 대한 실용적인 지침을 갖춘 평가 프로토콜을 가능하게 한다.
• 전통적인 나무 측정에도 활용을 확장하기 위해 흉고지름(DBH) 데이터를 포함한다.

제안 방법

• 다양한 산림 유형에서 다섯 개의 UAV 기반 레이저 스캐닝 데이터셋을 선별한다.
• 데이터를 개별 나무 인스턴스 및 의미 클래스로 수동 주석한다(예: 줄기, 목질 가지, 생 가지, 지형, 저층 식생).
• 데이터셋을 개발용과 테스트용 하위 집합으로 분할하고 사용 지침을 제공한다.
• 데이터셋이 딥 러닝 프레임워크 및 다양한 세분화 전략(의미론적 및 인스턴스형)에 적응 가능하도록 보장한다.
• 벤치마킹을 촉진하고 3D 산림 현장 세분화의 진전을 이끌 ML-준비 데이터를 제공한다.

실험 결과

연구 질문

• RQ1 RQ1 UAV 기반 LiDAR 데이터가 개별 나무의 신뢰할 수 있는 인스턴스 세분화를 위해 효과적으로 주석될 수 있는가?
• RQ2 RQ2 FOR-instance 데이터세트가 다양한 산림 유형에 걸친 의미론적 및 인스턴스 세분화 평가를 어떻게 지원하는가?
• RQ3 RQ3 이 데이터셋에 딥 러닝 프레임워크를 효과적으로 적용하여 밀집한 3D 산림 현장 세분화를 달성할 수 있는가?
• RQ4 RQ4 DBH 데이터를 주석 처리하는 것이 나무 수준의 분석 및 세분화 활용도를 어떻게 향상시키는가?

주요 결과

• FOR-instance 데이터세트는 ML 기반 세분화에 적합한 다섯 개의 선별된 UAV 기반 레이저 스캐닝 컬렉션으로 구성되어 있다.
• 데이터는 줄기, 목질 가지, 생 가지, 지형 및 저층 식생과 같은 개별 나무 인스턴스 및 의미 클래스로 수동 주석되어 있다.
• 데이터셋은 방법 발전과 객관적 평가를 가능하게 하도록 개발용 및 테스트용 하위 집합으로 나뉜다.
• 다양한 딥 러닝 세분화 전략 및 프레임워크에 적응하도록 설계되어 있다.
• DBH 데이터의 포함은 세분화 작업과 함께 전통적인 나무 측정에 대한 데이터세트의 활용도를 확대한다.