論文の概要: Multispectral airborne laser scanning for tree species classification: a benchmark of machine learning and deep learning algorithms

• arxiv url: http://arxiv.org/abs/2504.14337v1
• Date: Sat, 19 Apr 2025 16:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 01:17:02.993387
• Title: Multispectral airborne laser scanning for tree species classification: a benchmark of machine learning and deep learning algorithms
• Title（参考訳）: 樹木種分類のためのマルチスペクトル空中レーザースキャン--機械学習とディープラーニングアルゴリズムのベンチマーク
• Authors: Josef Taher, Eric Hyyppä, Matti Hyyppä, Klaara Salolahti, Xiaowei Yu, Leena Matikainen, Antero Kukko, Matti Lehtomäki, Harri Kaartinen, Sopitta Thurachen, Paula Litkey, Ville Luoma, Markus Holopainen, Gefei Kong, Hongchao Fan, Petri Rönnholm, Antti Polvivaara, Samuli Junttila, Mikko Vastaranta, Stefano Puliti, Rasmus Astrup, Joel Kostensalo, Mari Myllymäki, Maksymilian Kulicki, Krzysztof Stereńczak, Raul de Paula Pires, Ruben Valbuena, Juan Pedro Carbonell-Rivera, Jesús Torralba, Yi-Chen Chen, Lukas Winiwarter, Markus Hollaus, Gottfried Mandlburger, Narges Takhtkeshha, Fabio Remondino, Maciej Lisiewicz, Bartłomiej Kraszewski, Xinlian Liang, Jianchang Chen, Eero Ahokas, Kirsi Karila, Eugeniu Vezeteu, Petri Manninen, Roope Näsi, Heikki Hyyti, Siiri Pyykkönen, Peilun Hu, Juha Hyyppä,
• Abstract要約: マルチスペクトル空中レーザースキャン(ALS)は、自動点クラウド処理とツリーセグメンテーションにおいて有望であることを示す。 本研究は,木種分類のための機械学習およびディープラーニング手法のベンチマークを行うことにより,これらのギャップに対処する。
• 参考スコア（独自算出の注目度）: 3.9167717582896793
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate-smart and biodiversity-preserving forestry demands precise information on forest resources, extending to the individual tree level. Multispectral airborne laser scanning (ALS) has shown promise in automated point cloud processing and tree segmentation, but challenges remain in identifying rare tree species and leveraging deep learning techniques. This study addresses these gaps by conducting a comprehensive benchmark of machine learning and deep learning methods for tree species classification. For the study, we collected high-density multispectral ALS data (>1000 pts/m$^2$) at three wavelengths using the FGI-developed HeliALS system, complemented by existing Optech Titan data (35 pts/m$^2$), to evaluate the species classification accuracy of various algorithms in a test site located in Southern Finland. Based on 5261 test segments, our findings demonstrate that point-based deep learning methods, particularly a point transformer model, outperformed traditional machine learning and image-based deep learning approaches on high-density multispectral point clouds. For the high-density ALS dataset, a point transformer model provided the best performance reaching an overall (macro-average) accuracy of 87.9% (74.5%) with a training set of 1065 segments and 92.0% (85.1%) with 5000 training segments. The best image-based deep learning method, DetailView, reached an overall (macro-average) accuracy of 84.3% (63.9%), whereas a random forest (RF) classifier achieved an overall (macro-average) accuracy of 83.2% (61.3%). Importantly, the overall classification accuracy of the point transformer model on the HeliALS data increased from 73.0% with no spectral information to 84.7% with single-channel reflectance, and to 87.9% with spectral information of all the three channels.
• Abstract（参考訳）: 気候と生物多様性を保護した林業は森林資源の正確な情報を要求し、個々の木レベルまで拡張する。 マルチスペクトル空中レーザースキャン(ALS)は、自動点雲処理と木分割において有望であるが、希少な木種を同定し、深層学習技術を活用することが課題である。 本研究は,木種分類のための機械学習およびディープラーニング手法の総合的なベンチマークを行うことにより,これらのギャップに対処する。 本研究では,フィンランド南部の試験地において,既存のOptech Titanデータ(35 pts/m$^2$)を補完するFGIによるHeliALSシステムを用いて,高密度多スペクトルALSデータ(>1000 pts/m$^2$)を3波長で収集し,各種アルゴリズムの分類精度を評価した。 5261個のテストセグメントに基づいて,高密度マルチスペクトル点雲における点ベースディープラーニング手法,特に点トランスフォーマーモデルが従来の機械学習および画像ベースディープラーニング手法より優れていたことを示す。 高密度のALSデータセットに対して、ポイントトランスフォーマーモデルは、トレーニングセットが1065セグメント、トレーニングセグメントが92.0%(85.1%)の合計(マクロ平均)精度が87.9%(74.5%)に達した。 最も優れた画像ベースのディープラーニング手法であるDetailViewは、全体の(マクロ平均)精度が84.3% (63.9%)、ランダム森林(RF)分類器が全体の(マクロ平均)精度が83.2% (61.3%)に達した。 重要なことに、HeliALSデータ上の点変換器モデルの全体的な分類精度は、スペクトル情報のない73.0%から、単一チャネル反射率で84.7%、および3つのチャネルのスペクトル情報で87.9%に向上した。

関連論文リスト

• Hybrid Deepfake Image Detection: A Comprehensive Dataset-Driven Approach Integrating Convolutional and Attention Mechanisms with Frequency Domain Features [0.6700983301090583]
  ディープフェイク検出に3つの異なるニューラルネットワークアーキテクチャを用いるアンサンブルベースのアプローチを提案する。 実画像と偽画像を結合クラスタにグループ化する上で,これらのモデルの有効性を実証的に実証した。 我々の重み付けアンサンブルモデルは、SPカップ2025大会の検証データセットにおいて、93.23%の優れた精度を達成する。
  論文  参考訳（メタデータ） (2025-02-15T06:02:11Z)
• Multi-modal classification of forest biodiversity potential from 2D orthophotos and 3D airborne laser scanning point clouds [47.679877727066206]
  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。
  論文  参考訳（メタデータ） (2025-01-03T09:42:25Z)
• A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
  マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。 我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。 このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
  論文  参考訳（メタデータ） (2024-09-20T09:19:46Z)
• Protein sequence classification using natural language processing techniques [3.0846824529023396]
  本研究では,75の標的タンパク質クラスからなるデータセットに自然言語処理(NLP)技術を適用した。 我々は,K-Nearest Neighbors (KNN), Multinomial Na"ive Bayes, Logistic Regression, Multi-Layer Perceptron (MLP), Decision Tree, Random Forest, XGBoost, Voting and Stacking Classifiers, Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Transformer Modelなど,機械学習およびディープラーニングモデルについて検討した。
  論文  参考訳（メタデータ） (2024-09-06T13:16:16Z)
• Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
  多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。 我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。 屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-11-09T20:20:23Z)
• TreeLearn: A deep learning method for segmenting individual trees from ground-based LiDAR forest point clouds [40.46280139210502]
  TreeLearnは、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アプローチである。 TreeLearnは、データ駆動の方法で、すでにセグメンテーションされたポイントクラウドでトレーニングされている。 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)
• 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)
• 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)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Automated Feature-Specific Tree Species Identification from Natural Images using Deep Semi-Supervised Learning [0.0]
  本稿では,実世界の自然環境において木を識別できる,新しい2倍の頑健なアプローチを提案する。 我々は、深い半教師付き学習を通じて、未学習データを活用し、教師付き学習よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-08T09:25:32Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)

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。