跨平台森林理解：一种用于通用森林点云分割的多平台协同训练框架

《Remote Sensing of Environment》：Cross-platform forest understanding: A multi-platform synergistic training framework for generalized forest point cloud segmentation

　　

Jundi Jiang|Yueqian Shen|Jinhu Wang|W. Daniel Kissling|Markus Hollaus|Hongjun Su|Jinguo Wang|Vagner Ferreira|Norbert Pfeifer

摘要

精确的森林清查对于可持续的生态系统管理、生物多样性保护以及森林碳储量的评估至关重要。光探测与测距（LiDAR）技术已成为一种主要的遥感技术，能够在大范围内准确描绘树冠的垂直结构。尽管来自不同采集平台的LiDAR数据集日益丰富，推动了森林结构成分分析和单株树木分割任务的显著进展，但数据特征在多个平台间的固有异质性给跨平台泛化带来了严峻挑战。传统的基于数据的算法由于不同采集平台的数据特征存在较大差异，往往无法在多平台森林数据集上实现泛化。此外，传统的多平台混合训练策略会导致负面迁移效应，从而降低分割性能。为了解决多平台数据集带来的固有异质性和负面迁移问题，我们提出了多平台协同训练（MST）框架，这是一个统一的数据和模型驱动的表示学习框架。该框架首先使用虚拟合成森林数据集进行预训练，以提取通用的特征表示，随后利用真实世界数据集进行平台特定的微调。通过使用来自多个平台的森林基准数据集进行广泛实验，评估了所提出的MST在语义分割和实例分割任务上的性能。结果表明，MST在多平台数据集（包括机载、无人机、移动和地面激光扫描数据）上均表现出一致的高分割性能。此外，利用MST的预训练，仅需20%的标注真实世界数据即可达到与完全标注数据集训练相同的分割精度。因此，MST框架是一个强大且有效的表示学习框架，具有支持下游森林清查和生态应用的潜力。