論文の概要: Automatic Quantification and Visualization of Street Trees
- arxiv url: http://arxiv.org/abs/2201.06569v1
- Date: Mon, 17 Jan 2022 18:44:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 16:17:44.703641
- Title: Automatic Quantification and Visualization of Street Trees
- Title（参考訳）: 街路樹の自動定量化と可視化
- Authors: Arpit Bahety, Rohit Saluja, Ravi Kiran Sarvadevabhatla, Anbumani
Subramanian, C.V. Jawahar
- Abstract要約: この研究はまず、道端の木を数えるために慎重に設計されたデータ収集のセットアップを説明します。
次に,木を頑健に検出・定量化することを目的とした,ユニークなアノテーション手法について述べる。
本稿では,現在のオブジェクト検出手法と,新しい単純なカウントアルゴリズムを用いて,ストリートツリーの検出,カウント,可視化を行うフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 29.343663350855522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assessing the number of street trees is essential for evaluating urban
greenery and can help municipalities employ solutions to identify tree-starved
streets. It can also help identify roads with different levels of deforestation
and afforestation over time. Yet, there has been little work in the area of
street trees quantification. This work first explains a data collection setup
carefully designed for counting roadside trees. We then describe a unique
annotation procedure aimed at robustly detecting and quantifying trees. We work
on a dataset of around 1300 Indian road scenes annotated with over 2500 street
trees. We additionally use the five held-out videos covering 25 km of roads for
counting trees. We finally propose a street tree detection, counting, and
visualization framework using current object detectors and a novel yet simple
counting algorithm owing to the thoughtful collection setup. We find that the
high-level visualizations based on the density of trees on the routes and
Kernel Density Ranking (KDR) provide a quick, accurate, and inexpensive way to
recognize tree-starved streets. We obtain a tree detection mAP of 83.74% on the
test images, which is a 2.73% improvement over our baseline. We propose Tree
Count Density Classification Accuracy (TCDCA) as an evaluation metric to
measure tree density. We obtain TCDCA of 96.77% on the test videos, with a
remarkable improvement of 22.58% over baseline, and demonstrate that our
counting module's performance is close to human level. Source code:
https://github.com/iHubData-Mobility/public-tree-counting.
- Abstract（参考訳）: 街路樹数の評価は都市緑化の評価に不可欠であり、自治体が樹木が生い茂る街路を特定するための解決策を提供するのに役立つ。
また、森林破壊や森林破壊のレベルが異なる道路を特定するのにも役立つ。
しかし、街路樹の定量化の分野ではほとんど仕事がなかった。
この研究はまず,道端木を数えるために慎重に設計されたデータ収集のセットアップについて説明する。
次に,木を頑健に検出・定量化することを目的としたユニークなアノテーション手法について述べる。
約1300箇所のインド道路シーンのデータセットに2500本以上の街路の樹木を注釈付けしている。
さらに、25kmの道路をカバーする5つのホールドアウトビデオを使って木を数えている。
最後に,現在の物体検出器を用いた街路木検出・計数・可視化フレームワークと,思慮深い収集設定による新しい簡便な計数アルゴリズムを提案する。
ルート上の木々の密度とカーネル密度ランク付け(KDR)に基づく高レベルな可視化は、木々飢えの街路を素早く、正確に、安価に認識する方法を提供する。
我々は,試験画像上で83.74%の樹木検出mAPを取得し,ベースラインよりも2.73%改善した。
本稿では,木数密度分類精度(TCDCA)を評価指標として提案する。
テストビデオのTDCAは96.77%で、ベースラインよりも22.58%向上し、カウントモジュールの性能が人間に近いことを示す。
ソースコード:https://github.com/iHubData-Mobility/public-tree-counting。
関連論文リスト
- LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。
GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
論文 参考訳（メタデータ） (2024-06-29T05:14:04Z) - Tree Counting by Bridging 3D Point Clouds with Imagery [31.02816235514385]
2次元リモートセンシング画像は、主に高層キャノピーを示すが、密集したキャノピーを持つ地域では、個々の木の分化が容易ではない。
我々は,3次元LiDAR測定と2次元画像の融合を利用して,正確な木数計測を行う。
我々は,3次元空中LiDARデータと2次元画像を用いて,森林内の木を数える深層学習手法の比較を行った。
論文 参考訳（メタデータ） (2024-03-04T11:02:17Z) - Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。
我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文 参考訳（メタデータ） (2024-02-06T07:40:53Z) - Predicting urban tree cover from incomplete point labels and limited
background information [8.540501469749993]
都市内の樹木は、都市部の微気候にとって重要であり、都市住民の身体的および精神的な健康に肯定的に寄与する。
その重要性にもかかわらず、しばしば市木に関する限られた情報しか得られない。
本研究では,限られたデータセットと深層学習を用いた高解像度空中画像に都市木をマッピングする手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T08:09:54Z) - TreeLearn: A Comprehensive Deep Learning Method for Segmenting
Individual Trees from Ground-Based LiDAR Forest Point Clouds [42.87502453001109]
森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングに基づくアプローチであるTreeLearnを提案する。
TreeLearnは、すでにセグメンテーションされたポイントクラウドにデータ駆動でトレーニングされているため、事前に定義された機能やアルゴリズムに依存しない。
我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
論文 参考訳（メタデータ） (2023-09-15T15:20:16Z) - TreeFormer: a Semi-Supervised Transformer-based Framework for Tree
Counting from a Single High Resolution Image [6.789370732159176]
単一空中・衛星画像を用いた木密度推定と推定は,光度測定とリモートセンシングにおいて難しい課題である。
リモートセンシング画像に対する高価なツリーアノテーションを低減させる,ツリーカウントのための最初の半教師付きトランスフォーマーベースのフレームワークを提案する。
我々のモデルは、JiosuとYosemiteという2つのベンチマークツリーカウントデータセットと、彼ら自身が作成した新しいデータセットKCL-Londonで評価された。
論文 参考訳（メタデータ） (2023-07-12T12:19:36Z) - Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery [1.1661668662828382]
本研究では,都市環境における個々の木検出のための新しい深層学習手法を提案する。
畳み込みニューラルネットワークを用いて、個々の木の位置を示す信頼マップを回帰する。
本手法は,公共空間とプライベート空間の両方で樹木を検出することによって,完全な空間被覆を実現する。
論文 参考訳（メタデータ） (2022-08-22T21:26:57Z) - Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。
木の根から葉までの経路は、個々の将来の軌跡を表す。
ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文 参考訳（メタデータ） (2022-05-26T12:18:44Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳（メタデータ） (2020-07-24T17:06:55Z) - Geocoding of trees from street addresses and street-level images [24.114405100879278]
街路面パノラマ画像を用いた地理座標を用いた古木在庫の更新手法を提案する。
本手法は, 古い在庫を地理的座標で再現し, 新たな在庫と接続し, 樹木の枯死等に関する長期研究を容易にする。
論文 参考訳（メタデータ） (2020-02-05T10:13:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。