Centre de documentation
scientifique

Monocular depth estimation in forest environments / Hristina Hristova (2022)  

Public Titre : Monocular depth estimation in forest environments Type de document : Article/Communication Auteurs : Hristina Hristova, Auteur ; Meinrad Abegg, Auteur ; Christoph Fischer, Auteur ; Nataliia Rehush, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2022 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B2 Conférence : ISPRS 2022, Commission 2, 24th ISPRS international congress, Imaging today, foreseeing tomorrow 06/06/2022 11/06/2022 Nice France OA ISPRS Archives Importance : pp 1017 - 1023 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] apprentissage dirigé [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] forêt [Termes IGN] image isolée [Termes IGN] inventaire forestier (techniques et méthodes) [Termes IGN] jeu de données localisées [Termes IGN] profondeur [Termes IGN] vision monoculaire Résumé : (auteur) Depth estimation from a single image is a challenging task, especially inside the highly structured forest environment. In this paper, we propose a supervised deep learning model for monocular depth estimation based on forest imagery. We train our model on a new data set of forest RGB-D images that we collected using a terrestrial laser scanner. Alongside the input RGB image, our model uses a sparse depth channel as input to recover the dense depth information. The prediction accuracy of our model is significantly higher than that of state-of-the-art methods when applied in the context of forest depth estimation. Our model brings the RMSE down to 2.1 m, compared to 4 m and above for reference methods. Numéro de notice : C2022-022 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B2-2022-1017-2022 Date de publication en ligne : 30/05/2022 En ligne : http://dx.doi.org/10.5194/isprs-archives-XLIII-B2-2022-1017-2022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100848