論文の概要: PrediTree: A Multi-Temporal Sub-meter Dataset of Multi-Spectral Imagery Aligned With Canopy Height Maps

• arxiv url: http://arxiv.org/abs/2509.01202v1
• Date: Mon, 01 Sep 2025 07:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.579935
• Title: PrediTree: A Multi-Temporal Sub-meter Dataset of Multi-Spectral Imagery Aligned With Canopy Height Maps
• Title（参考訳）: PrediTree:Canopy Height Mapsを備えたマルチスペクトル画像のマルチテンポラルサブメーターデータセット
• Authors: Hiyam Debary, Mustansar Fiaz, Levente Klein,
• Abstract要約: PrediTreeは、木の高さ予測モデルをサブメートル解像度でトレーニングし評価するために設計された、最初の包括的なオープンソースデータセットである。 このデータセットは、フランスの多様な森林生態系にまたがる、非常に高解像度(0.5m)のLiDAR由来の天蓋の高さマップと、多時間・多スペクトル画像との空間的整合性を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 1.052002464873546
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present PrediTree, the first comprehensive open-source dataset designed for training and evaluating tree height prediction models at sub-meter resolution. This dataset combines very high-resolution (0.5m) LiDAR-derived canopy height maps, spatially aligned with multi-temporal and multi-spectral imagery, across diverse forest ecosystems in France, totaling 3,141,568 images. PrediTree addresses a critical gap in forest monitoring capabilities by enabling the training of deep learning methods that can predict tree growth based on multiple past observations. %\sout{Initially focused on French forests, PrediTree is designed as an expanding resource with ongoing efforts to incorporate data from other countries. } To make use of this PrediTree dataset, we propose an encoder-decoder framework that requires the multi-temporal multi-spectral imagery and the relative time differences in years between the canopy height map timestamp (target) and each image acquisition date for which this framework predicts the canopy height. The conducted experiments demonstrate that a U-Net architecture trained on the PrediTree dataset provides the highest masked mean squared error of $11.78\%$, outperforming the next-best architecture, ResNet-50, by around $12\%$, and cutting the error of the same experiments but on fewer bands (red, green, blue only), by around $30\%$. This dataset is publicly available on \href{URL}{HuggingFace}, and both processing and training codebases are available on \href{URL}{GitHub}.
• Abstract（参考訳）: PrediTreeは,木の高さ予測モデルをサブメートル解像度でトレーニングし,評価するために設計された,最初の総合的なオープンソースデータセットである。 このデータセットは、非常に高解像度(0.5m)のLiDAR由来の天蓋の高さマップと、フランスの多様な森林生態系を横断する多時間・多スペクトル画像との空間的整合性を組み合わせたもので、合計3,141,568枚である。 PrediTreeは、過去の複数観測に基づいて木の成長を予測するディープラーニング手法のトレーニングを可能にすることで、森林モニタリング能力の重大なギャップに対処する。 PrediTreeは、他の国のデータを組み込むことで、拡大する資源として設計されている。 このPrediTreeデータセットを利用するために,多時間マルチスペクトル画像と,天蓋高さマップタイムスタンプ(ターゲット)と天蓋高さを予測した各画像取得日時との相対時間差を必要とするエンコーダデコーダフレームワークを提案する。 実験の結果、PrediTreeデータセットでトレーニングされたU-Netアーキテクチャは、マスク付き平均2乗誤差が11.78 %$で、次のベストアーキテクチャであるResNet-50を約12 %$で上回り、同じ実験のエラーを減らし(赤、緑、青のみ)、より少ないバンド(赤、緑、青のみ)で約30 %$で上回ります。 このデータセットは \href{URL}{HuggingFace} で公開されており、処理とトレーニングのコードベースは \href{URL}{GitHub} で公開されている。

関連論文リスト

• 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)
• Classifying geospatial objects from multiview aerial imagery using semantic meshes [2.116528763953217]
  米国における森林の航空画像に基づく樹木種予測手法を提案する。 提案手法は, 木分類に難渋する課題に対して, 53%から75%に分類精度を向上することを示す。
  論文  参考訳（メタデータ） (2024-05-15T17:56:49Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• PureForest: A Large-Scale Aerial Lidar and Aerial Imagery Dataset for Tree Species Classification in Monospecific Forests [0.0]
  木種分類用に設計された大規模でオープンなマルチモーダルデータセットであるPureForestデータセットを提案する。 樹種分類のための現在の一般のLidarデータセットは、ほとんどの場合、数十ヘクタールの注釈付きヘクタールの小さな領域にしか達しないため、多様性が低い。 対照的に、PureForestは18の樹種を13のセマンティッククラスに分類し、449の異なる単種林に339 km$2$で分布する。
  論文  参考訳（メタデータ） (2024-04-18T10:23:10Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)

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。