論文の概要: Lidar-based Norwegian tree species detection using deep learning

• arxiv url: http://arxiv.org/abs/2311.06066v1
• Date: Fri, 10 Nov 2023 14:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:07:42.874652
• Title: Lidar-based Norwegian tree species detection using deep learning
• Title（参考訳）: 深層学習を用いたlidarに基づくノルウェーの樹種検出
• Authors: Martijn Vermeer and Jacob Alexander Hay and David V\"olgyes and Zs\'ofia Koma and Johannes Breidenbach and Daniele Stefano Maria Fantin
• Abstract要約: 本稿では,ライダーデータのみを用いた深層学習に基づく木種分類モデルを提案する。 このモデルは、部分的な弱いラベルに対する焦点損失で訓練される。 本モデルでは,独立検証におけるマクロ平均F1スコア0.70を達成する。
• 参考スコア（独自算出の注目度）: 0.36651088217486427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: The mapping of tree species within Norwegian forests is a time-consuming process, involving forest associations relying on manual labeling by experts. The process can involve both aerial imagery, personal familiarity, or on-scene references, and remote sensing data. The state-of-the-art methods usually use high resolution aerial imagery with semantic segmentation methods. Methods: We present a deep learning based tree species classification model utilizing only lidar (Light Detection And Ranging) data. The lidar images are segmented into four classes (Norway Spruce, Scots Pine, Birch, background) with a U-Net based network. The model is trained with focal loss over partial weak labels. A major benefit of the approach is that both the lidar imagery and the base map for the labels have free and open access. Results: Our tree species classification model achieves a macro-averaged F1 score of 0.70 on an independent validation with National Forest Inventory (NFI) in-situ sample plots. That is close to, but below the performance of aerial, or aerial and lidar combined models.
• Abstract（参考訳）: 背景:ノルウェーの森林における樹木種のマッピングは時間を要するプロセスであり、専門家による手作業によるラベル付けに依存する森林協会が関与する。 このプロセスは、空中画像、個人的な親しみ、または現場での参照、およびリモートセンシングデータの両方を含むことができる。 最先端の手法は通常、セマンティックセグメンテーション法による高解像度空中画像を使用する。 方法:lidar(light detection and ranging)データのみを活用したディープラーニングに基づく木種分類モデルを提案する。 ライダー画像は、U-Netベースのネットワークで4つのクラス(Norway Spruce, Scots Pine, Birch, background)に分けられる。 このモデルは偏弱ラベルに対する焦点損失で訓練される。 このアプローチの大きな利点は、lidarイメージとラベルのベースマップの両方が自由かつオープンなアクセスを持っていることである。 結果:本種分類モデルでは,NFI(National Forest Inventory)による独立性検証において,平均F1スコア0.70を達成している。 これはほぼ同じだが、航空、または航空、lidarの組み合わせモデルの性能よりは低い。

関連論文リスト

• Mining Field Data for Tree Species Recognition at Scale [1.264462543503282]
  本研究では,森林目録データから種ラベルを自動的に抽出する手法を提案する。 空中画像のツリーインスタンスを識別し,人間による関与がほとんどないフィールドデータと照合する。
  論文  参考訳（メタデータ） (2024-08-28T14:25:35Z)
• OAM-TCD: A globally diverse dataset of high-resolution tree cover maps [8.336960607169175]
  OpenMap (OAM) から得られた高解像度の空中画像において, ツリークラウンデライン化(TCD)のための新しいオープンアクセスデータセットを提案する。 我々のデータセットであるOAM-TCDは、50722048x2048px画像を10cm/px解像度で、関連する280k個以上の木と56k個の木からなる。 データセットを使用して、既存の最先端モデルと比較する参照インスタンスとセマンティックセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-07-16T14:11:29Z)
• Classifying geospatial objects from multiview aerial imagery using semantic meshes [2.116528763953217]
  米国における森林の航空画像に基づく樹木種予測手法を提案する。 提案手法は, 木分類に難渋する課題に対して, 53%から75%に分類精度を向上することを示す。
  論文  参考訳（メタデータ） (2024-05-15T17:56:49Z)
• PureForest: A Large-Scale Aerial Lidar and Aerial Imagery Dataset for Tree Species Classification in Monospecific Forests [0.0]
  木種分類用に設計された大規模でオープンなマルチモーダルデータセットであるPureForestデータセットを提案する。 樹種分類のための現在の一般のLidarデータセットは、ほとんどの場合、数十ヘクタールの注釈付きヘクタールの小さな領域にしか達しないため、多様性が低い。 対照的に、PureForestは18の樹種を13のセマンティッククラスに分類し、449の異なる単種林に339 km$2$で分布する。
  論文  参考訳（メタデータ） (2024-04-18T10:23:10Z)
• Weakly Supervised Semantic Segmentation of Remote Sensing Images for Tree Species Classification Based on Explanation Methods [1.2074552857379273]
  画像レベルラベルのみを用いた弱教師付きセマンティックセグメンテーションにおける説明手法の有効性を検討する。 実験結果から, 解析手法は木種の同定に極めて有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-01-19T09:32:48Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。