論文の概要: Multi-modal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds

• arxiv url: http://arxiv.org/abs/2501.01728v1
• Date: Fri, 03 Jan 2025 09:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:11:35.111164
• Title: Multi-modal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds
• Title（参考訳）: 2次元正光線と3次元レーザー走査点雲からの森林生物多様性電位のマルチモーダル分類
• Authors: Simon B. Jensen, Stefan Oehmcke, Andreas Møgelmose, Meysam Madadi, Christian Igel, Sergio Escalera, Thomas B. Moeslund,
• Abstract要約: 本研究では,2次元正光線と3次元空中レーザースキャン(ALS)点群からの深層学習に基づく近距離センシングデータの融合により,生物多様性の評価が向上するかどうかを検討する。 デンマークの温帯森林から採取した44.378個の正光とALS点雲のサンプルからなるBioVistaデータセットを紹介した。 深層ニューラルネットワーク(直視用ResNetとALS点雲用PointResNet)を用いて、各データモダリティの森林生物多様性ポテンシャルを評価する能力を調べ、それぞれ69.4%と72.8%の精度を達成した。
• 参考スコア（独自算出の注目度）: 47.679877727066206
• License:
• Abstract: Accurate assessment of forest biodiversity is crucial for ecosystem management and conservation. While traditional field surveys provide high-quality assessments, they are labor-intensive and spatially limited. This study investigates whether deep learning-based fusion of close-range sensing data from 2D orthophotos (12.5 cm resolution) and 3D airborne laser scanning (ALS) point clouds (8 points/m^2) can enhance biodiversity assessment. We introduce the BioVista dataset, comprising 44.378 paired samples of orthophotos and ALS point clouds from temperate forests in Denmark, designed to explore multi-modal fusion approaches for biodiversity potential classification. Using deep neural networks (ResNet for orthophotos and PointVector for ALS point clouds), we investigate each data modality's ability to assess forest biodiversity potential, achieving mean accuracies of 69.4% and 72.8%, respectively. We explore two fusion approaches: a confidence-based ensemble method and a feature-level concatenation strategy, with the latter achieving a mean accuracy of 75.5%. Our results demonstrate that spectral information from orthophotos and structural information from ALS point clouds effectively complement each other in forest biodiversity assessment.
• Abstract（参考訳）: 森林生物多様性の正確な評価は,生態系管理と保全に不可欠である。 従来のフィールドサーベイは高品質な評価を提供するが、労働集約的で空間的に制限されている。 本研究では,2次元直視 (12.5cm) と3次元空中レーザースキャン (ALS) 点雲 (8点/m^2) からの深層学習による近接場センシングデータの融合が生物多様性評価を向上するかどうかを検討した。 デンマークの温帯森林から採取した44.378個の直交光線とALS点雲からなるバイオビスタデータセットを導入し,生物多様性ポテンシャル分類のためのマルチモーダル融合手法を探索した。 深層ニューラルネットワーク(直視用ResNetとALS点雲用PointVector)を用いて、各データモダリティの森林生物多様性ポテンシャルを評価する能力を調べ、それぞれ69.4%と72.8%の精度を達成した。 信頼に基づくアンサンブル法と特徴レベルの連結戦略の2つの融合手法について検討し、後者の平均精度は75.5%である。 その結果、森林生物多様性評価において、直交光線からのスペクトル情報とALS点雲からの構造情報が相互に有効に補完できることが示唆された。

関連論文リスト

• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion [8.844437603161198]
  DNA分析、近赤外分光法(NIR)、DART質量分析法(Direct Analysis in Real Time、DART)といった手法は、長年確立されてきた細胞および組織形態の解剖学的評価を補完する。 これらの手法の多くは、高コスト、データ解釈の熟練した専門家の必要性、専門家参照のための優れたデータセットの欠如など、いくつかの制限がある。 本稿では,コンボリューショナルニューラルネットワークを用いた2つの伝達学習手法を多視点木種データセットに適用する。 以上の結果から,多様なデータセットや解剖学的部分の精度が,他の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） (2024-04-12T16:30:15Z)
• PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
  本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。 広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-28T11:10:14Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Information fusion approach for biomass estimation in a plateau mountainous forest using a synergistic system comprising UAS-based digital camera and LiDAR [9.944631732226657]
  本研究の目的は,高原山岳森林保護区の地上バイオマス(AGB)の定量化である。 我々はDAP(Digital Aero Photogrammetry)を用いて,速度,空間分解能,低コストの独特な利点を生かした。 マルチスペクトル画像から得られたCHMとスペクトル特性に基づいて,関心領域のAGBを相当のコスト効率で推定,マッピングした。
  論文  参考訳（メタデータ） (2022-04-14T04:04:59Z)
• Deep Learning Based 3D Point Cloud Regression for Estimating Forest Biomass [15.956463815168034]
  森林バイオマス資源の知識とその開発は、効果的な気候変動対策を実施する上で重要である。 空中LiDARを用いたリモートセンシングは、大規模に植生のバイオマスを測定するのに利用できる。 本稿では,3次元LiDAR点雲データから,木材の体積,地上バイオマス(AGB)および炭素を直接推定する深層学習システムを提案する。
  論文  参考訳（メタデータ） (2021-12-21T16:26:13Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large Scenes [57.969186815591186]
  大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。 本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T03:30:22Z)

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。