論文の概要: WHU-STree: A Multi-modal Benchmark Dataset for Street Tree Inventory

• arxiv url: http://arxiv.org/abs/2509.13172v1
• Date: Tue, 16 Sep 2025 15:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.148057
• Title: WHU-STree: A Multi-modal Benchmark Dataset for Street Tree Inventory
• Title（参考訳）: WHU-STree: ストリートツリーインベントリのためのマルチモーダルベンチマークデータセット
• Authors: Ruifei Ding, Zhe Chen, Wen Fan, Chen Long, Huijuan Xiao, Yelu Zeng, Zhen Dong, Bisheng Yang,
• Abstract要約: WHU-STreeは、クロスシティー、リッチアノテート、マルチモーダル・ストリートツリーデータセットである。 同期した点雲と高解像度の画像を統合し、50種にわたる21,007個の注釈付きツリーインスタンスと2つの形態パラメータを含む。
• 参考スコア（独自算出の注目度）: 12.479581358582877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Street trees are vital to urban livability, providing ecological and social benefits. Establishing a detailed, accurate, and dynamically updated street tree inventory has become essential for optimizing these multifunctional assets within space-constrained urban environments. Given that traditional field surveys are time-consuming and labor-intensive, automated surveys utilizing Mobile Mapping Systems (MMS) offer a more efficient solution. However, existing MMS-acquired tree datasets are limited by small-scale scene, limited annotation, or single modality, restricting their utility for comprehensive analysis. To address these limitations, we introduce WHU-STree, a cross-city, richly annotated, and multi-modal urban street tree dataset. Collected across two distinct cities, WHU-STree integrates synchronized point clouds and high-resolution images, encompassing 21,007 annotated tree instances across 50 species and 2 morphological parameters. Leveraging the unique characteristics, WHU-STree concurrently supports over 10 tasks related to street tree inventory. We benchmark representative baselines for two key tasks--tree species classification and individual tree segmentation. Extensive experiments and in-depth analysis demonstrate the significant potential of multi-modal data fusion and underscore cross-domain applicability as a critical prerequisite for practical algorithm deployment. In particular, we identify key challenges and outline potential future works for fully exploiting WHU-STree, encompassing multi-modal fusion, multi-task collaboration, cross-domain generalization, spatial pattern learning, and Multi-modal Large Language Model for street tree asset management. The WHU-STree dataset is accessible at: https://github.com/WHU-USI3DV/WHU-STree.
• Abstract（参考訳）: 街路樹は都市生活に不可欠であり、生態学的および社会的な利益をもたらす。 空間制約のある都市環境の中でこれらの多機能資産を最適化するためには、詳細な、正確で動的に更新された街路樹の在庫を確立することが不可欠である。 従来のフィールドサーベイは時間を要する作業集約型であり、モバイルマッピングシステム(MMS)を利用した自動サーベイはより効率的なソリューションを提供する。 しかし、既存のMMSが取得したツリーデータセットは、小規模なシーン、限られたアノテーション、または単一のモダリティによって制限されており、包括的な分析のためにその有用性を制限している。 これらの制約に対処するため、我々は、都市横断、リッチアノテート、マルチモーダル街路樹データセットであるWHU-STreeを紹介した。 2つの異なる都市で収集されたWHU-STreeは同期した点雲と高解像度の画像を統合し、50種にわたる21,007の注釈付きツリーインスタンスと2つの形態パラメータを含む。 ユニークな特徴を活用して、WHU-STreeは、ストリートツリーの在庫に関連する10以上のタスクを同時にサポートする。 木種分類と個々の木区分の2つの重要なタスクに対する代表的ベースラインをベンチマークする。 大規模な実験と詳細な分析により、マルチモーダルデータ融合とアンダースコアのクロスドメイン適用可能性について、実用的なアルゴリズム展開の必須条件として示している。 特に,WHU-STreeの完全活用,マルチモーダル融合,マルチタスクコラボレーション,クロスドメイン一般化,空間パターン学習,ストリートツリー資産管理のための多モーダル大規模言語モデルなど,主要な課題を特定し,今後の課題について概説する。 WHU-STreeデータセットは、https://github.com/WHU-USI3DV/WHU-STreeでアクセスできる。

関連論文リスト

• PrediTree: A Multi-Temporal Sub-meter Dataset of Multi-Spectral Imagery Aligned With Canopy Height Maps [1.052002464873546]
  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、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。 本研究では,多面的マルチスペクトル像と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。
  論文  参考訳（メタデータ） (2025-09-01T07:41:27Z)
• Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
  HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。 これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-29T15:19:13Z)
• 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)
• TreeFormer: a Semi-Supervised Transformer-based Framework for Tree Counting from a Single High Resolution Image [6.789370732159176]
  単一空中・衛星画像を用いた木密度推定と推定は,光度測定とリモートセンシングにおいて難しい課題である。 リモートセンシング画像に対する高価なツリーアノテーションを低減させる,ツリーカウントのための最初の半教師付きトランスフォーマーベースのフレームワークを提案する。 我々のモデルは、JiosuとYosemiteという2つのベンチマークツリーカウントデータセットと、彼ら自身が作成した新しいデータセットKCL-Londonで評価された。
  論文  参考訳（メタデータ） (2023-07-12T12:19:36Z)
• Structure-Unified M-Tree Coding Solver for MathWord Problem [57.825176412485504]
  従来,数式表現の2次木構造を考慮に入れたモデルでは,性能が向上した。 本稿では、出力構造を統一するために、任意のM枝(M-tree)を持つ木を適用した構造統一M-Tree符号化(S-UMCr)を提案する。 広く使われているMAWPSとMath23Kデータセットの実験結果は、SUMC-rが複数の最先端モデルを上回るだけでなく、低リソース条件下でもはるかに優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-10-22T12:20:36Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Multi-task fully convolutional network for tree species mapping in dense forests using small training hyperspectral data [0.9646880519252493]
  本研究は、密林における樹木種マッピングのためのマルチタスク完全畳み込みアーキテクチャを提案する。 本モデルでは, 木の意味的ラベル付け結果の高密度化を可能にする部分的損失関数を実装した。 ツリークラウン境界制約を強制する距離回帰補完タスクは、モデル性能を大幅に改善する。
  論文  参考訳（メタデータ） (2021-06-01T21:10:10Z)
• 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。