論文の概要: Trees as Gaussians: Large-Scale Individual Tree Mapping

• arxiv url: http://arxiv.org/abs/2508.21437v1
• Date: Fri, 29 Aug 2025 09:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.981173
• Title: Trees as Gaussians: Large-Scale Individual Tree Mapping
• Title（参考訳）: ガウシアンとしての木:大規模個別木図
• Authors: Dimitri Gominski, Martin Brandt, Xiaoye Tong, Siyu Liu, Maurice Mugabowindekwe, Sizhuo Li, Florian Reiner, Andrew Davies, Rasmus Fensholt,
• Abstract要約: 樹木は地球生物圏の重要な要素であり、生態系の機能、気候規制、生物生態学において重要な役割を担っている。 利用可能なグローバル製品はバイナリツリーカバーやキャノピー高さに重点を置いており、個々のレベルでツリーを明示的に識別していない。 本研究では,地球規模で3m解像度のPlanetScope画像における大規模個体木検出のための深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 6.798019232699303
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Trees are key components of the terrestrial biosphere, playing vital roles in ecosystem function, climate regulation, and the bioeconomy. However, large-scale monitoring of individual trees remains limited by inadequate modelling. Available global products have focused on binary tree cover or canopy height, which do not explicitely identify trees at individual level. In this study, we present a deep learning approach for detecting large individual trees in 3-m resolution PlanetScope imagery at a global scale. We simulate tree crowns with Gaussian kernels of scalable size, allowing the extraction of crown centers and the generation of binary tree cover maps. Training is based on billions of points automatically extracted from airborne lidar data, enabling the model to successfully identify trees both inside and outside forests. We compare against existing tree cover maps and airborne lidar with state-of-the-art performance (fractional cover R$^2 = 0.81$ against aerial lidar), report balanced detection metrics across biomes, and demonstrate how detection can be further improved through fine-tuning with manual labels. Our method offers a scalable framework for global, high-resolution tree monitoring, and is adaptable to future satellite missions offering improved imagery.
• Abstract（参考訳）: 樹木は地球生物圏の重要な要素であり、生態系の機能、気候規制、生物生態学において重要な役割を担っている。 しかし、個々の木の大規模モニタリングは、不十分なモデリングによって制限されている。 利用可能なグローバル製品はバイナリツリーカバーやキャノピー高さに重点を置いており、個々のレベルでツリーを明示的に識別していない。 本研究では,地球規模で3m解像度のPlanetScope画像における大規模個体木検出のための深層学習手法を提案する。 樹冠をスケーラブルな大きさのガウス核でシミュレートし、クラウン中心の抽出と二分木被覆写像の生成を可能にする。 トレーニングは、空中ライダーデータから自動的に抽出された数十億ポイントのポイントに基づいており、モデルが内部と外部の両方の森林を識別することに成功した。 本研究は, 既設ツリーカバーマップと空中ライダーと, 最先端性能(防犯カバーR$^2 = 0.81$対空ライダー)を比較し, バイオマス間のバランスの取れた検出指標を報告し, 手動ラベルによる微調整により, 検出をさらに改善できることを示す。 本手法は,グローバルかつ高解像度のツリーモニタリングのためのスケーラブルなフレームワークを提供し,改良された画像を提供する将来の衛星ミッションに適応可能である。

関連論文リスト

• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• 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)
• 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)
• Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
  メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。 我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
  論文  参考訳（メタデータ） (2024-02-06T07:40:53Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Tree Reconstruction using Topology Optimisation [0.685316573653194]
  本稿では,点雲データから木の枝構造を抽出する一般的な手法を提案する。 本稿では,木構造復元における新しいアプローチの利点と欠点について論じる。 本手法は,ほとんどの場合,詳細かつ正確な木構造を生成する。
  論文  参考訳（メタデータ） (2022-05-26T07:08:32Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)

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。