Geometric modeling and growth prediction of trees. Development of 3D reconstruction methods adapted to point clouds acquired in forests.

2018 Fiscal Year Annual Research Report

• Project/Area Number: 18F18796
• Research Institution: The University of Tokyo
• Principal Investigator: 金井 崇 東京大学, 大学院総合文化研究科, 准教授 (60312261)
• Co-Investigator(Kenkyū-buntansha): MOREL JULES 東京大学, 総合文化研究科, 外国人特別研究員
• Project Period (FY): 2018-11-09 – 2021-03-31
• Keywords: 樹木 / 3D再構築 / GPU

Outline of Annual Research Achievements

樹木の3D形状再構築において，研究補助者の博士課程の研究の際に提案した手法は，欠落しているデータ領域に先見的なモデルを仮定することで，忠実な樹木のモデルを生成するように特別に設計された方法である．そのため，従来手法に比べて計算時間がかかることが問題であった．この点を解決するため，適応的な手法によって再構築の手法の高速化を検討した．すなわち，再構築手法の中の繰り返し計算の各段階において，再計算の範囲を部分的に留めることで，計算の効率化を図った．結果として，従来手法に比べて最終的な結果の品質を損ねることなく，約２倍程度の高速化が行えていることを確認した．また，GPUを利用した処理の一部の高速化を検討した．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

まだ，来日してから４ヶ月ほどしかたってないが，限られた中での十分な研究成果は挙げているように思われる．

Strategy for Future Research Activity

今後は，当初の予定通り，特に遮蔽の大きい3D点群に対し，データ駆動法を利用した頑健な形状再構築手法を開発する．特に，LiDAR測定点群から葉の部分の点群と木の部分の点群を自動的に分類するための手法の開発を行う．樹木を測定する際，葉や木の情報は分離されることなく一括で取れてしまう．葉と木の部分は，モデリングを行うプロセスが異なるため，モデリングを行う前にこれらを分離する必要がある．従来はこの分離の作業を手作業で行っていたため，非常に効率が悪い，という問題があった．
ここでは，深層学習を使った自動的な分類について検討を行う．近年では，点群に対する分類やセグメンテーションを行うための深層学習モデルがいくつか提案されている．本研究では，その深層学習モデルの一つであるPointNet / PointNet++ をベースにして用いることとし，対象とする葉と木の分離のために手法を拡張する．学習には，樹木作成ソフトウェアで生成された人工的なモデルを使用する．なぜならば，教師データとして木と葉があらかじめ分離されているのが望ましく，一方で実際のLiDAR測定データではあらかじめ分離されているデータを得るのが難しいからである．実験では実際のLiDAR測定データを用い，過去の研究（主に統計的に分類する方法が中心）と比較することで有効性を検証する．