論文の概要: Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery

• arxiv url: http://arxiv.org/abs/2506.03114v1
• Date: Tue, 03 Jun 2025 17:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.969634
• Title: Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery
• Title（参考訳）: 空中森林画像からのゼロショット木検出とセグメンテーション
• Authors: Michelle Chen, David Russell, Amritha Pallavoor, Derek Young, Jane Wu,
• Abstract要約: 現在のRGBツリーセグメンテーション手法は、ラベル付きツリーデータセットを用いた特別な機械学習モデルのトレーニングに依存している。 本稿では,最先端画像分割モデルであるSegment Anything Model 2 (SAM2) を,個々の木の検出とセグメンテーションのためにゼロショット方式で使用することの有効性について検討する。 その結果,SAM2は印象的な一般化能力を持つだけでなく,ドメイン内のラベル付きデータに基づいて訓練された特殊な手法で自然なシナジーを形成することが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.2770132985501168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale delineation of individual trees from remote sensing imagery is crucial to the advancement of ecological research, particularly as climate change and other environmental factors rapidly transform forest landscapes across the world. Current RGB tree segmentation methods rely on training specialized machine learning models with labeled tree datasets. While these learning-based approaches can outperform manual data collection when accurate, the existing models still depend on training data that's hard to scale. In this paper, we investigate the efficacy of using a state-of-the-art image segmentation model, Segment Anything Model 2 (SAM2), in a zero-shot manner for individual tree detection and segmentation. We evaluate a pretrained SAM2 model on two tasks in this domain: (1) zero-shot segmentation and (2) zero-shot transfer by using predictions from an existing tree detection model as prompts. Our results suggest that SAM2 not only has impressive generalization capabilities, but also can form a natural synergy with specialized methods trained on in-domain labeled data. We find that applying large pretrained models to problems in remote sensing is a promising avenue for future progress. We make our code available at: https://github.com/open-forest-observatory/tree-detection-framework.
• Abstract（参考訳）: リモートセンシング画像からの個々の木々の大規模デライン化は、特に気候変動やその他の環境要因が世界中の森林景観を急速に変化させるなど、生態研究の進展に不可欠である。 現在のRGBツリーセグメンテーション手法は、ラベル付きツリーデータセットを用いた特別な機械学習モデルのトレーニングに依存している。 これらの学習ベースのアプローチは、正確さでは手動のデータ収集よりも優れていますが、既存のモデルは、スケールが難しいトレーニングデータに依存しています。 本稿では,最先端画像分割モデルであるSegment Anything Model 2 (SAM2) を用いて,個々の木の検出とセグメンテーションをゼロショットで行うことの有効性について検討する。 本研究では,(1)ゼロショットセグメンテーションと(2)ゼロショット転送の2つのタスクに対して,既存の木検出モデルからの予測をプロンプトとして用いることにより,事前訓練されたSAM2モデルを評価した。 その結果,SAM2は印象的な一般化能力を持つだけでなく,ドメイン内のラベル付きデータに基づいて訓練された特殊な手法で自然なシナジーを形成することが可能であることが示唆された。 遠隔センシングにおける問題に対して,大規模な事前学習モデルを適用することは,今後の進歩に有望な道であることがわかった。 私たちは、https://github.com/open-forest-observatory/tree-detection-framework.comでコードを公開しています。

関連論文リスト

• Assessing SAM for Tree Crown Instance Segmentation from Drone Imagery [68.69685477556682]
  現在のモニタリング手法では、各種に対して手動で木を計測し、コスト、時間、労働力を必要とする。 ドローンリモートセンシングとコンピュータビジョンの進歩は、空中画像から木をマッピングし、特徴づける大きな可能性を秘めている。 若木植林の高分解能ドローン画像における樹冠の自動区分け作業におけるSAM法の比較を行った。 SAM out-of-box を用いたメソッドは、よく設計されたプロンプトであっても、カスタム Mask R-CNN よりも優れているわけではないが、SAM をチューニングするメソッドの可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-26T03:45:36Z)
• Exploring space efficiency in a tree-based linear model for extreme multi-label classification [11.18858602369985]
  Extreme Multi-label Classification (XMC) は、複数のラベルから関連するサブセットを特定することを目的としている。 XMCの様々なアプローチの中で、ツリーベースの線形モデルは効率と単純さの点で有効である。 本研究では,その空間における理論的および実証的な解析を行い,疎データの仮定の下で木モデルを記憶する。
  論文  参考訳（メタデータ） (2024-10-12T15:02:40Z)
• SegmentAnyTree: A sensor and platform agnostic deep learning model for tree segmentation using laser scanning data [15.438892555484616]
  本研究は,様々なレーザー走査型に適用可能な深層学習モデルを用いて,ライダーデータにおけるツリークラウン(ITC)セグメンテーションを推し進める。 3次元森林景観解析におけるデータ特性の相違による伝達可能性の課題に対処する。 PointGroupアーキテクチャに基づくこのモデルは、セマンティックとインスタンスセグメンテーションのための別々のヘッドを持つ3D CNNである。
  論文  参考訳（メタデータ） (2024-01-28T19:47:17Z)
• 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)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
  樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。 データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。 結果は、自律的な倒木作戦への有望な道を提供する。
  論文  参考訳（メタデータ） (2022-10-31T15:51:32Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)

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。