PointsToWood：一种面向欧洲多样森林的TLS数据完整冠层叶木分割深度学习框架
计算机视觉与模式识别
2025-03-07 v1
摘要
地面激光扫描（TLS）的点云是研究植物结构和功能日益流行的数据来源，但通常需要大量人工处理来提取生态重要信息。一项关键任务是对点云中不同植物材料的精确语义分割，特别是木材和叶子，这对于理解植物生产力、结构和生理至关重要。现有的自动化语义分割方法主要针对单一生态系统类型开发，虽然在树干和大型枝干的生物量评估方面表现出良好精度，但在冠层内部往往表现不佳。在本研究中，我们展示了一种新的框架，利用从PointNet和pointNEXT新开发的深度学习架构处理3D点云，为TLS点云中的木材和叶子提供可靠的语义分割，覆盖从树干基部到枝尖的范围，使用来自多样成熟欧洲森林的数据。我们的模型使用精心标注的数据，结合体素采样、邻域重缩放以及嵌入在特征提取层中的新型门控反射率集成模块。我们在来自寒带、温带、地中海和热带地区的开放数据集上评估其性能，涵盖多样的生态系统类型和传感器特性。我们的结果在与最广泛使用的基于PointNet的叶木分割方法的对比中持续表现优异，该对比基于我们在欧洲所有主要生物群落中收集的高密度TLS数据集。我们还在来自中国、东喀麦隆、德国和芬兰的其他开放数据上发现了一致强劲的性能，这些数据使用了飞行时间和相位移动两种传感器，展示了我们模型向广泛生态系统和传感器的可迁移性。
引用
@article{arxiv.2503.04420,
title = {PointsToWood: A deep learning framework for complete canopy leaf-wood segmentation of TLS data across diverse European forests},
author = {Harry J. F. Owen and Matthew J. A. Allen and Stuart W. D. Grieve and Phill Wilkes and Emily R. Lines},
journal= {arXiv preprint arXiv:2503.04420},
year = {2025}
}