Segmentation sémantique de nuages de points irréguliers et épars pour la discrimination feuille/bois

Le LiDAR (Light Detection and Ranging) est devenu un outil essentiel dans le cadre de la télédétection utilisée pour la surveillance de la biosphère. En particulier, le LiDAR permet de cartographier la surface foliaire des forêts avec une précision inégalée, alors que cette dernière reste une source majeure d’incertitude affectant les modèles d’échanges gazeux entre la végétation et l’atmosphère. Les véhicules aériens non motorisés (UAV) sont faciles à déployer, ce qui permet des passages fréquents afin de suivre la réponse de la végétation aux changements climatiques. Toutefois, les capteurs miniaturisés embarqués sur les UAV fournissent généralement des nuages de points de densité limitée, affectés en outre par une diminution marquée de cette densité du haut vers le bas du couvert forestier, en raison d’une occlusion croissante. Dans ce contexte, la discrimination entre points feuilles et points bois pose un défi significatif, en particulier en raison d’un déséquilibre de classes important et d’une intensité d’échantillonnage spatialement irrégulière. Nous proposons ici un modèle basé sur l’architecture PointNet++ qui utilise uniquement les informations géométriques des points (sans recourir à des données spectrales). Pour faire face à la sparsité locale des données, nous introduisons une stratégie d’échantillonnage innovante, visant à préserver les informations géométriques locales essentielles. Nous proposons également une fonction de perte adaptée au fort déséquilibre de classes. Nous démontrons que notre modèle surpasse les approches de pointe actuelles sur des nuages de points UAV. Nous discutons des améliorations futures possibles, notamment en lien avec des nuages de points bien plus denses, acquis depuis le sol, sous le couvert forestier.