aalto1 untyped-item.component.html
Unsupervised deep learning for semantic segmentation of multispectral forest point clouds
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Mcode
Degree programme
Language
en
Pages
144
Series
Abstract
Three-dimensional point clouds acquired with light detection and ranging scanners are used in various applications within forest inventory and plant ecology, such as classification of individual tree species and estimation of tree stem attributes and above-ground biomass. However, a majority of these applications require the semantic segmentation of the data into wood and foliage points, also known as leaf--wood separation. Traditionally, this has been achieved with geometry- and radiometry-based unsupervised algorithms, whose performance is heavily dependent on the density of the point clouds, and tends to be poor on sparser data. By contrast, more recent machine and deep learning-based leaf--wood separation approaches achieve great performance even on sparse point clouds but require manually annotated training data, which is laborious and time-consuming to produce.
To address the limitations of traditional leaf--wood separation algorithms on sparser point clouds while simultaneously not utilizing any manually labeled data, this thesis explores utilizing unsupervised deep learning for the semantic segmentation of multispectral forest point clouds. To this end, the GrowSP-ForMS model is proposed. The model has been adapted from the recent GrowSP architecture by introducing changes specifically designed to improve the accuracy of leaf--wood separation. To assess the accuracy of GrowSP-ForMS, a novel multispectral aerial laser scanning data set captured in boreal forest environment is introduced. A subsection of the data set is manually labeled into foliage and wood and subsequently divided into training and test data. GrowSP-ForMS is compared to two unsupervised algorithms and three fully-supervised neural network architectures. The results demonstrate that GrowSP-ForMS significantly outperforms unsupervised methods and performs comparably to an older supervised model, but is outclassed by more recent supervised approaches. Finally, two ablation studies demonstrate that the proposed changes significantly increase the accuracy of GrowSP-ForMS in comparison to the original GrowSP model and that utilizing multispectral data improves model performance from the monospectral case.
Laserkeilaimella kerättyjä kolmiulotteisia pistepilviä käytetään erilaisissa metsäinventointiin ja kasviekologiaan liittyvissä sovelluksissa, kuten yksittäisten puulajien luokittelussa, sekä puiden runkoattribuuttien ja maanpäällisen biomassan arvioinnissa. Suurin osa näistä sovelluksista edellyttää datan semanttista segmentointia puu- ja lehvästöpisteisiin, jota kutsutaan myös lehti--puu-erotteluksi. Perinteisesti tämä on toteutettu geometriaan ja radiometriaan perustuvilla valvomattomilla algoritmeilla, joiden suorituskyky riippuu suuresti pistepilvien tiheydestä ja on yleensä heikkolaatuinen harvemmalle datalle. Uudemmat kone- ja syväoppimispohjaiset menetelmät taas ovat erittäin tarkkoja myös harvoilla pistepilvillä, mutta vaativat manuaalisesti luokiteltua koulutusdataa, jonka tuottaminen on työlästä ja aikaa vievää.
Tässä työssä tutkititaan valvomattoman syväoppimisen hyödyntämistä multispektrimetsäpistepilvien semanttiseen segmentointiin. Työn tavoitteena on ratkaista perinteisten lehti--puu-erottelualgoritmien rajoitukset harvemmissa pistepilvissä, ilman että samalla hyödynnetään manuaalisesti luokiteltua koulutusdataa. Tähän tarkoitukseen käytetään GrowSP-ForMS-mallia, joka on muokattu tuoreesta GrowSP-arkkitehtuurista lisäämällä lehvästö- ja puupisteiden erottelun tarkkuuden parantamiseen suunniteltuja parannuksia. GrowSP-ForMS:n tarkkuuden määrittelemiseen hyödynnetään uutta pohjoisessa metsäympäristössä multispektrilaserkeilaimella kerättyä datajoukkoa. Osa datasta luokitellaan manuaalisesti lehvästö- ja puupisteisiin, minkä jälkeen se jaetaan koulutus- ja testijoukkoihin. GrowSP-ForMS:ia verrataan kahteen valvomattomaan algoritmiin ja kolmeen valvottuun neuroverkkoarkkitehtuuriin. Tulokset osoittavat, että GrowSP-ForMS on tarkkuudeltaan huomattavasti valvomattomia menetelmiä parempi ja verrattavissa vanhempaan valvottuun malliin, mutta kaukana uudemmista valvotuista arkkitehtuureista. Lopuksi kaksi ablaatiotutkimusta osoittavat, että ehdotetut muutokset kasvattavat GrowSP-ForMS:n tarkkuutta merkittävästi alkuperäiseen GrowSP-malliin verrattuna ja että multispektridatan hyödyntäminen parantaa mallin suorituskykyä monospektriseen verrattuna.
Description
Supervisor
Laaksonen, JormaThesis advisor
Lehtomäki, MattiTaher, Josef