論文の概要: Scaling Up Forest Vision with Synthetic Data

• arxiv url: http://arxiv.org/abs/2509.11201v1
• Date: Sun, 14 Sep 2025 10:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.973952
• Title: Scaling Up Forest Vision with Synthetic Data
• Title（参考訳）: 合成データによる森林ビジョンのスケールアップ
• Authors: Yihang She, Andrew Blake, David Coomes, Srinivasan Keshav,
• Abstract要約: 正確な木のセグメンテーションは、森林レーザースキャンから個々の木のメトリクスを抽出する重要なステップである。 高価なフィールドデータ収集とアノテーションの代わりに,事前学習時に合成データを使用する。 我々は前例のない規模で、包括的で多様で注釈付き3D森林データセットを作成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate tree segmentation is a key step in extracting individual tree metrics from forest laser scans, and is essential to understanding ecosystem functions in carbon cycling and beyond. Over the past decade, tree segmentation algorithms have advanced rapidly due to developments in AI. However existing, public, 3D forest datasets are not large enough to build robust tree segmentation systems. Motivated by the success of synthetic data in other domains such as self-driving, we investigate whether similar approaches can help with tree segmentation. In place of expensive field data collection and annotation, we use synthetic data during pretraining, and then require only minimal, real forest plot annotation for fine-tuning. We have developed a new synthetic data generation pipeline to do this for forest vision tasks, integrating advances in game-engines with physics-based LiDAR simulation. As a result, we have produced a comprehensive, diverse, annotated 3D forest dataset on an unprecedented scale. Extensive experiments with a state-of-the-art tree segmentation algorithm and a popular real dataset show that our synthetic data can substantially reduce the need for labelled real data. After fine-tuning on just a single, real, forest plot of less than 0.1 hectare, the pretrained model achieves segmentations that are competitive with a model trained on the full scale real data. We have also identified critical factors for successful use of synthetic data: physics, diversity, and scale, paving the way for more robust 3D forest vision systems in the future. Our data generation pipeline and the resulting dataset are available at https://github.com/yihshe/CAMP3D.git.
• Abstract（参考訳）: 正確な木分割は、森林レーザースキャンから個々の木のメトリクスを抽出する重要なステップであり、炭素循環の生態系機能を理解するのに不可欠である。 過去10年間で、AIの発展により木分割アルゴリズムは急速に進歩した。 しかし、既存のパブリックな3Dフォレストデータセットは、堅牢な木分割システムを構築するのに十分な大きさではない。 自動走行など他の領域における合成データの成功により、同様のアプローチが木分割に有効かどうかを考察する。 高価なフィールドデータ収集とアノテーションの代わりに、プレトレーニング中に合成データを使用し、微調整のためには最小限の森林プロットアノテーションしか必要としない。 我々は、森林視覚タスクのための新しい合成データ生成パイプラインを開発し、ゲームエンジンの進歩と物理ベースのLiDARシミュレーションを統合した。 その結果, 前例のない規模で, 包括的で多様で注釈付き3D森林データセットを作成した。 最先端のツリーセグメンテーションアルゴリズムと一般的な実データを用いた大規模な実験により、我々の合成データは、ラベル付き実データの必要性を大幅に低減できることを示した。 0.1ヘクタール未満の1つの森林プロットを微調整した後、事前訓練されたモデルは、フルスケールの実データで訓練されたモデルと競合するセグメンテーションを達成する。 また,合成データの利用を成功させる重要な要因として,物理,多様性,規模を明らかにし,将来より堅牢な3D森林視覚システムの実現への道を開いた。 データ生成パイプラインと結果のデータセットはhttps://github.com/yihshe/CAMP3D.git.comで公開されています。

関連論文リスト

• Scaling Laws of Synthetic Data for Language Models [132.67350443447611]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Advancing the Understanding of Fine-Grained 3D Forest Structures using Digital Cousins and Simulation-to-Reality: Methods and Datasets [15.813305272984978]
  Boreal3Dは世界最大のフォレストポイントクラウドデータセットである。 1000の非常に現実的で構造的な森林区画を含んでいる。 合成データに基づいて事前訓練されたモデルは、実際の森林データセットに適用した場合のパフォーマンスを著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-01-07T09:12:55Z)
• Training point-based deep learning networks for forest segmentation with synthetic data [0.0]
  我々は,人工林のシーンを手続き的に生成する現実的なシミュレータを開発した。 森林分断のための最先端の深層学習ネットワークの比較研究を行った。
  論文  参考訳（メタデータ） (2024-03-21T04:01:26Z)
• 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)
• 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)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation [60.07812405063708]
  3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。 文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。 本稿では,本研究分野における最先端技術について述べる。
  論文  参考訳（メタデータ） (2022-07-20T09:06:07Z)
• 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。