論文の概要: A review of individual tree crown detection and delineation from optical
remote sensing images
- arxiv url: http://arxiv.org/abs/2310.13481v1
- Date: Fri, 20 Oct 2023 13:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 22:55:25.881190
- Title: A review of individual tree crown detection and delineation from optical
remote sensing images
- Title（参考訳）: 光リモートセンシング画像からの樹冠検出とデライン化の展望
- Authors: Juepeng Zheng and Shuai Yuan and Weijia Li and Haohuan Fu and Le Yu
- Abstract要約: 本総説では, 個々の樹冠を検出・デライン化するためのITCD法について述べる。
論文の大部分に深層学習指向のアプローチが寄与していることから, セマンティックセグメンテーションやオブジェクト検出手法として, 深層学習に基づく手法について論じる。
このレビューでは、ITCD関連のアプリケーションと、将来のITCD研究におけるエキサイティングな展望と潜在的なホットトピックについて紹介する。
- 参考スコア（独自算出の注目度）: 10.928933183437998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Powered by the advances of optical remote sensing sensors, the production of
very high spatial resolution multispectral images provides great potential for
achieving cost-efficient and high-accuracy forest inventory and analysis in an
automated way. Lots of studies that aim at providing an inventory to the level
of each individual tree have generated a variety of methods for Individual Tree
Crown Detection and Delineation (ITCD). This review covers ITCD methods for
detecting and delineating individual tree crowns, and systematically reviews
the past and present of ITCD-related researches applied to the optical remote
sensing images. With the goal to provide a clear knowledge map of existing ITCD
efforts, we conduct a comprehensive review of recent ITCD papers to build a
meta-data analysis, including the algorithm, the study site, the tree species,
the sensor type, the evaluation method, etc. We categorize the reviewed methods
into three classes: (1) traditional image processing methods (such as local
maximum filtering, image segmentation, etc.); (2) traditional machine learning
methods (such as random forest, decision tree, etc.); and (3) deep learning
based methods. With the deep learning-oriented approaches contributing a
majority of the papers, we further discuss the deep learning-based methods as
semantic segmentation and object detection methods. In addition, we discuss
four ITCD-related issues to further comprehend the ITCD domain using optical
remote sensing data, such as comparisons between multi-sensor based data and
optical data in ITCD domain, comparisons among different algorithms and
different ITCD tasks, etc. Finally, this review proposes some ITCD-related
applications and a few exciting prospects and potential hot topics in future
ITCD research.
- Abstract（参考訳）: 光リモートセンシングセンサーの進歩により、非常に高い空間分解能のマルチスペクトル画像の生成は、コスト効率が高く、高精度な森林在庫と分析を自動化できる大きな可能性をもたらす。
個々の木のレベルにインベントリを提供することを目的とした多くの研究が、個別樹冠検出・ガイドライン(ITCD)のための様々な方法を生み出している。
本総説では,個々の樹冠を検出・同定するためのitcd手法を概説し,光学リモートセンシング画像に適用したitcd関連研究の過去・現在を体系的に検討する。
既存のitcdの取り組みの明確なナレッジマップを提供することを目的として,最近のitcd論文の包括的レビューを行い,アルゴリズム,研究サイト,木種,センサタイプ,評価方法などを含むメタデータ分析を構築する。
本稿では,従来の画像処理手法(局所的な最大フィルタリング,画像分割など),従来の機械学習手法(ランダムな森林,決定木など),ディープラーニングに基づく手法の3つのクラスに分類する。
論文の大半に寄与する深層学習指向のアプローチにより、意味セグメンテーションやオブジェクト検出法として深層学習に基づく手法についてさらに議論する。
さらに,マルチセンサデータとITCD領域の光学データの比較,異なるアルゴリズムと異なるITCDタスクの比較など,光リモートセンシングデータを用いたITCD領域の理解を深めるための4つのITCD関連課題についても論じる。
最後に、今後のITCD研究において、いくつかのITCD関連アプリケーションといくつかのエキサイティングな展望と潜在的なホットトピックを提案する。
関連論文リスト
- A Survey of Camouflaged Object Detection and Beyond [19.418542867580374]
カモフラージュオブジェクト検出(カモフラーゲオブジェクト検出、COD)は、周囲にシームレスに結合したオブジェクトを識別し、セグメント化するタスクである。
近年、CODは監視、野生生物保護、自律システムなどへの応用の可能性から、広く注目を集めている。
本稿では、画像レベルとビデオレベルの両方のソリューションを含む、4つの領域にわたる様々なCOD手法について検討する。
論文 参考訳（メタデータ） (2024-08-26T18:23:22Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z) - Small and Dim Target Detection in IR Imagery: A Review [9.941925002794262]
これは、赤外線画像における小型および薄型ターゲット検出の分野における最初のレビューである。
主なアプローチには、複数のフレームを使用して検出する手法と、単一フレームベースの検出技術がある。
この結果から,ディープラーニングアプローチは従来の画像処理手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-11-27T22:25:46Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - Revisiting Consistency Regularization for Semi-supervised Change
Detection in Remote Sensing Images [60.89777029184023]
教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。
2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
論文 参考訳（メタデータ） (2022-04-18T17:59:01Z) - Hybrid Optimized Deep Convolution Neural Network based Learning Model
for Object Detection [0.0]
物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。
近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。
本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。
提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
論文 参考訳（メタデータ） (2022-03-02T04:39:37Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Translate to Adapt: RGB-D Scene Recognition across Domains [18.40373730109694]
本研究では,マルチモーダルシーン認識データセット内に,潜在的に深刻なドメインシフト問題が存在することを注目する。
本稿では,異なるカメラ領域にまたがって適応可能な自己教師付きモダリティ間翻訳法を提案する。
論文 参考訳（メタデータ） (2021-03-26T18:20:29Z) - Deep Image Retrieval: A Survey [21.209884703192735]
深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。
本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
論文 参考訳（メタデータ） (2021-01-27T09:32:58Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z)
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。