論文の概要: From Orthomosaics to Raw UAV Imagery: Enhancing Palm Detection and Crown-Center Localization

• arxiv url: http://arxiv.org/abs/2509.12400v1
• Date: Mon, 15 Sep 2025 19:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.743001
• Title: From Orthomosaics to Raw UAV Imagery: Enhancing Palm Detection and Crown-Center Localization
• Title（参考訳）: オルソモザイクから生UAV画像へ:パーム検出とクラウン・センターの局在の促進
• Authors: Rongkun Zhu, Kangning Cui, Wei Tang, Rui-Feng Wang, Sarra Alqahtani, David Lutz, Fan Yang, Paul Fine, Jordan Karubian, Robert Plemmons, Jean-Michel Morel, Victor Pauca, Miles Silman,
• Abstract要約: 本研究は,熱帯林におけるヤシの検出とクラウン中心の局在化に生UAV画像を用いることを検討した。 最先端検出器とキーポイントモデルを用いて、生画像が配置関連シナリオにおいて優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 10.123386317715541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate mapping of individual trees is essential for ecological monitoring and forest management. Orthomosaic imagery from unmanned aerial vehicles (UAVs) is widely used, but stitching artifacts and heavy preprocessing limit its suitability for field deployment. This study explores the use of raw UAV imagery for palm detection and crown-center localization in tropical forests. Two research questions are addressed: (1) how detection performance varies across orthomosaic and raw imagery, including within-domain and cross-domain transfer, and (2) to what extent crown-center annotations improve localization accuracy beyond bounding-box centroids. Using state-of-the-art detectors and keypoint models, we show that raw imagery yields superior performance in deployment-relevant scenarios, while orthomosaics retain value for robust cross-domain generalization. Incorporating crown-center annotations in training further improves localization and provides precise tree positions for downstream ecological analyses. These findings offer practical guidance for UAV-based biodiversity and conservation monitoring.
• Abstract（参考訳）: 個々の木の正確なマッピングは、生態モニタリングと森林管理に不可欠である。 無人航空機(UAV)のオルソモザイク画像は広く用いられているが、縫製工芸品や重い前処理は現地配備に適したものに制限されている。 本研究は,熱帯林におけるヤシの検出とクラウン中心の局在化に生UAV画像を用いることを検討した。 2つの研究課題は,(1) 領域内および領域間移動を含むオルソモザイク画像と生画像間で検出性能がどの程度異なるか,(2) クラウン中心アノテーションが境界箱セントロイドを超えて局在精度を向上させるか,である。 現状の検出器とキーポイントモデルを用いて、生画像は配置関連シナリオにおいて優れた性能を示す一方、オルソモザイクは堅牢なクロスドメイン一般化に価値を保っていることを示す。 トレーニングにクラウンセンターアノテーションを組み込むことにより、さらにローカライゼーションが向上し、下流の生態学的分析に正確なツリー位置を提供する。 これらの知見は、UAVに基づく生物多様性と保全モニタリングの実践的なガイダンスを提供する。

関連論文リスト

• Habitat Classification from Ground-Level Imagery Using Deep Neural Networks [1.3408365072149797]
  本研究では、現在最先端の深層ニューラルネットワークアーキテクチャを地上レベルの生息地画像に適用する。 我々は、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)の2つのモデルのファミリーを評価する。 我々の結果は、ViTsがキー分類基準の最先端CNNベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-05T12:07:13Z)
• Detection of Endangered Deer Species Using UAV Imagery: A Comparative Study Between Efficient Deep Learning Approaches [1.130790932059036]
  本研究では,UAV画像における湿地シカ検出のための最先端ニューラルネットワークの性能を比較した。 我々は、データセットに正確なセグメンテーションマスクを追加し、セグメンテーションヘッドを含むYOLOモデルのきめ細かいトレーニングを可能にした。
  論文  参考訳（メタデータ） (2025-05-30T18:45:42Z)
• 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)
• Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach [69.01456182499486]
  textbfBR-Genは、さまざまなシーン認識アノテーションを備えた15万のローカル鍛造イメージの大規模なデータセットである。 textbfNFA-ViTはノイズ誘導フォージェリ増幅ビジョン変換器で、ローカライズされたフォージェリの検出を強化する。
  論文  参考訳（メタデータ） (2025-04-16T09:57:23Z)
• Dual-Task Learning for Dead Tree Detection and Segmentation with Hybrid Self-Attention U-Nets in Aerial Imagery [1.693687279684153]
  本研究では,深層学習に基づく木分割を改良するハイブリッド後処理フレームワークを提案する。 ボレアル林の高解像度空中画像に基づいて、このフレームワークはインスタンスレベルのセグメンテーション精度を41.5%向上させた。 フレームワークの計算効率は、壁と壁の間の木死のマッピングのようなスケーラブルなアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-03-27T12:25:20Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• 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)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)

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。