Training point-based deep learning networks for forest segmentation with synthetic data

近年来，无人机遥感在林业中的应用越来越多，同时也使用机器学习进行数据处理。深度学习架构在自然语言和图像处理中得到广泛应用，最近也扩展到点云领域。然而，用于训练和测试的点云数据集仍然有限。创建森林环境点云数据集成本高，需要高精度传感器，并且需要手动点分类，非常耗时。此外，森林区域可能对人类不可达或危险，进一步增加了数据采集的复杂性。因此，一个问题出现了：是否可能使用合成数据来训练深度学习网络，而不需要依赖大量真实森林数据。为了回答这个问题，我们开发了一个逼真的模拟器，可以程序化地生成合成森林场景。由于这个模拟器，我们进行了不同最先进的基于点的深度学习网络的比较研究，用于森林分割。使用创建的数据集，我们确定了使用合成数据来训练深度学习网络以对来自真实森林数据集的点云进行分类的可行性。模拟器和数据集均作为本研究的一部分发布。

论文旨在探讨是否可以使用合成数据来训练深度学习网络，以对真实森林点云数据进行分类。这个问题是基于真实数据获取困难、成本高昂的情况下提出的。

论文提出了一个逼真的合成森林场景模拟器，可以生成合成森林点云数据集。然后使用这些数据集来训练和测试不同的基于点云的深度学习网络，以进行森林分割任务。

论文的亮点包括：使用合成数据进行训练的可行性研究；提出了一个逼真的合成森林场景模拟器；使用不同的基于点云的深度学习网络进行了森林分割任务；公开了数据集和代码。

在最近的相关研究中，也有一些使用合成数据进行训练的研究，如《SynthCP: Semantic Segmentation of LiDAR Point Clouds with Synthetic Data》和《Learning to Segment 3D Point Clouds in Outdoor Scenes》等。