Vliv multiměřítkové reprezentace na přesnost druhové klasifikace bodových mračen stromů

Abstract

Tato diplomová práce se zabývá vlivem multiměřítkové reprezentace bodových mračen stromů na jejich druhovou klasifikaci pomocí neuronových sítí. V rámci práce byly testovány celkem čtyři skupiny kompresních metod s různým nastavením, které se odlišují přístupem k decimaci bodových mračen, jednalo se o IHFL, stromové struktury, aglomerativní shlukování a voxelizaci. Komprimovaná mračna na daných úrovních komprese byla klasifikována pomocí CNN DetailView. Výsledky ukazují, že komprese je nelineární proces, který je navíc druhově specifický. Metody adaptivní na geometrii bodových mračen jsou nejvhodnější pro jehličnany a listnaté stromy s rozvolněnou korunou (bříza), naopak listnaté stromy s kompaktní korunou zaznamenaly největší úspěšnost u uniformní komprese. Jedním z možných důvodů dobrých výsledků metod neadaptivních na prostorovou hustotu bodů může být architektura neuronové sítě. DetailView, použitý v této práci, pracuje s 2D projekcemi bodového mračna, a tím preferuje tvar koruny jako hlavní rozpoznávací znak pro sémantické třídy. Práce také definuje zlomové body komprese, na kterých dochází k největší změně v přesnosti klasifikace. Jako směr dalšího výzkumu tato práce navrhuje implementaci čistě 3D neuronových sítí. Klíčová slova: bodová mračna; CNN DetailView; detekce; druhová klasifikace;...

This master's thesis investigates the impact of multiscale representation of tree point clouds on their species classification using neural networks. Within the framework of this work, a total of four groups of compression methods with various settings were tested, differing in their approach to point cloud decimation, namely, IHFL, tree structures, agglomerative clustering, and voxelization. The compressed point clouds at the given compression levels were subsequently classified using the CNN DetailView. The results demonstrate that compression is a non-linear process that is, moreover, species-specific. Methods adaptive to point cloud geometry prove to be the most suitable for conifers and broad-leaved trees with a sparse crown structure (birch); conversely, broad-leaved trees with a compact crown achieved the highest success rate with uniform compression. One possible reason for the strong performance of methods non-adaptive to spatial point density could be the architecture of the neural network. DetailView, employed in this study, operates with 2D projections of the point cloud, thereby favoring crown shape as the primary distinguishing feature for semantic classes. The thesis also defines critical compression breakpoints at which the most significant changes in classification accuracy occur....