論文の概要: Weakly-Supervised Learning for Tree Instances Segmentation in Airborne Lidar Point Clouds

• arxiv url: http://arxiv.org/abs/2508.15646v1
• Date: Thu, 21 Aug 2025 15:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.383765
• Title: Weakly-Supervised Learning for Tree Instances Segmentation in Airborne Lidar Point Clouds
• Title（参考訳）: 空中ライダー点雲における木インスタンスセグメンテーションの弱教師付き学習
• Authors: Swann Emilien Céleste Destouches, Jesse Lahaye, Laurent Valentin Jospin, Jan Skaloud,
• Abstract要約: 大気中のレーザースキャン(ALS)データのツリーインスタンスセグメンテーションは、森林モニタリングにおいて最も重要である。 人間の操作者による品質評価として,初期セグメンテーション結果のラベルが提供される弱い教師付きアプローチを提案する。 品質評価中に生成されたラベルは、評価モデルをトレーニングするために使用され、そのタスクは、セグメンテーション出力を人間のオペレータが指定したクラスに分類することである。
• 参考スコア（独自算出の注目度）: 1.5624421399300306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tree instance segmentation of airborne laser scanning (ALS) data is of utmost importance for forest monitoring, but remains challenging due to variations in the data caused by factors such as sensor resolution, vegetation state at acquisition time, terrain characteristics, etc. Moreover, obtaining a sufficient amount of precisely labeled data to train fully supervised instance segmentation methods is expensive. To address these challenges, we propose a weakly supervised approach where labels of an initial segmentation result obtained either by a non-finetuned model or a closed form algorithm are provided as a quality rating by a human operator. The labels produced during the quality assessment are then used to train a rating model, whose task is to classify a segmentation output into the same classes as specified by the human operator. Finally, the segmentation model is finetuned using feedback from the rating model. This in turn improves the original segmentation model by 34\% in terms of correctly identified tree instances while considerably reducing the number of non-tree instances predicted. Challenges still remain in data over sparsely forested regions characterized by small trees (less than two meters in height) or within complex surroundings containing shrubs, boulders, etc. which can be confused as trees where the performance of the proposed method is reduced.
• Abstract（参考訳）: 大気中のレーザースキャン(ALS)データのツリーインスタンスセグメンテーションは、森林モニタリングにおいて非常に重要であるが、センサの解像度、取得時の植生状態、地形特性などの要因によって引き起こされるデータの変化により、依然として困難である。 さらに、完全に教師されたインスタンスセグメンテーションを訓練するために、十分な量の正確なラベル付きデータを得るには、コストがかかる。 これらの課題に対処するために、人間の演算子による品質評価として、非有限モデルまたは閉形式アルゴリズムによって得られた初期セグメンテーション結果のラベルが提供される弱い教師付きアプローチを提案する。 品質評価中に生成されたラベルは、評価モデルをトレーニングするために使用され、そのタスクは、セグメンテーション出力を人間のオペレータが指定したクラスに分類することである。 最後に、セグメンテーションモデルを評価モデルからのフィードバックを用いて微調整する。 これにより、予測されたツリーインスタンスの数を大幅に削減しつつ、正しく識別されたツリーインスタンスの観点から元のセグメンテーションモデルを34\%改善する。 樹高2メートル未満の小さな樹木を特徴とする森林地帯や、低木や岩などを含む複雑な環境を対象とし、本手法の性能を低下させる木として混同しうる地域では、依然として課題が残っている。

関連論文リスト

• Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery [1.2770132985501168]
  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。
  論文  参考訳（メタデータ） (2025-06-03T17:44:43Z)
• Bridging Classical and Modern Computer Vision: PerceptiveNet for Tree Crown Semantic Segmentation [0.0]
  PerceptiveNetは、トレーニング可能なフィルタパラメータを持つ対数ガボールパラメータ化畳み込み層を組み込んだ、新しいモデルである。 セグメンテーション性能に及ぼすLog-Gabor,Gabor,および標準畳み込み層の影響について検討する。 その結果,ツリークラウンデータセットの性能が向上し,最先端モデルよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2025-05-29T16:11:08Z)
• Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 InSeInは、手元に設定されたセグメンテーショントレーニングから空間クラス関係を規定する明示的な包含制約を抽出する。 そして、予測可能性を促進するために、トレーニング中にこれらの制約の違反を罰する形態的だが差別的な損失を強制する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• 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)
• Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware Multi-class Segmentation and Topology-guided Iterative Learning [15.492349389589121]
  CT(Computed tomography)における胸腔内気道セグメンテーションは様々な呼吸器疾患解析の前提条件である。 既存のエアウェイデータセットのほとんどは、不完全なラベル付き/注釈付きである。 本稿では,トポロジ誘導型反復型自己学習によって強化された,解剖学に適応したマルチクラスエアウェイセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T13:23:05Z)
• Instance segmentation of fallen trees in aerial color infrared imagery using active multi-contour evolution with fully convolutional network-based intensity priors [0.5276232626689566]
  画像のセグメンテーションマップ上での複数のアクティブな輪郭進化により、共通オブジェクトクラスのインスタンスをセグメンテーションするフレームワークを導入する。 高分解能空中多スペクトル画像から個々の落下茎を分割する文脈で提案されたフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2021-05-05T11:54:05Z)
• 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)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• 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。