論文の概要: Mapping and Classification of Trees Outside Forests using Deep Learning

• arxiv url: http://arxiv.org/abs/2510.25239v1
• Date: Wed, 29 Oct 2025 07:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.204227
• Title: Mapping and Classification of Trees Outside Forests using Deep Learning
• Title（参考訳）: 深層学習を用いた森林外樹木のマッピングと分類
• Authors: Moritz Lucas, Hamid Ebrahimy, Viacheslav Barkov, Ralf Pecenka, Kai-Uwe Kühnberger, Björn Waske,
• Abstract要約: 森林外樹(TOF)は、生物多様性を支援し、炭素を隔離し、微小気候を規制することによって、農業の景観において重要な役割を担っている。 ドイツの4つの農業景観から新たに生成されたデータセットと高解像度の空中画像を用いて,TOF分類のためのディープラーニングの評価を行った。
• 参考スコア（独自算出の注目度）: 1.0518862318418603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trees Outside Forests (TOF) play an important role in agricultural landscapes by supporting biodiversity, sequestering carbon, and regulating microclimates. Yet, most studies have treated TOF as a single class or relied on rigid rule-based thresholds, limiting ecological interpretation and adaptability across regions. To address this, we evaluate deep learning for TOF classification using a newly generated dataset and high-resolution aerial imagery from four agricultural landscapes in Germany. Specifically, we compare convolutional neural networks (CNNs), vision transformers, and hybrid CNN-transformer models across six semantic segmentation architectures (ABCNet, LSKNet, FT-UNetFormer, DC-Swin, BANet, and U-Net) to map four categories of woody vegetation: Forest, Patch, Linear, and Tree, derived from previous studies and governmental products. Overall, the models achieved good classification accuracy across the four landscapes, with the FT-UNetFormer performing best (mean Intersection-over-Union 0.74; mean F1 score 0.84), underscoring the importance of spatial context understanding in TOF mapping and classification. Our results show good results for Forest and Linear class and reveal challenges particularly in classifying complex structures with high edge density, notably the Patch and Tree class. Our generalization experiments highlight the need for regionally diverse training data to ensure reliable large-scale mapping. The dataset and code are openly available at https://github.com/Moerizzy/TOFMapper
• Abstract（参考訳）: 森林外樹(TOF)は、生物多様性を支援し、炭素を隔離し、微小気候を規制することによって、農業の景観において重要な役割を担っている。 しかし、ほとんどの研究はTOFを単一クラスとして扱うか、厳格な規則に基づく閾値に依存し、生態学的解釈と地域間の適応性を制限する。 そこで我々は,ドイツの4つの農業景観から新たに生成されたデータセットと高解像度の空中画像を用いて,TOF分類の深層学習を評価する。 具体的には、6つのセマンティックセグメンテーションアーキテクチャ(ABCNet, LSKNet, FT-UNetFormer, DC-Swin, BANet, U-Net)にわたる畳み込みニューラルネットワーク(CNN)、視覚変換器、ハイブリッドCNN変換器モデルを比較し、森林、パッチ、リニア、ツリーの4つの木質植生をマッピングする。 全体として、FT-UNetFormerは、TOFマッピングと分類における空間的コンテキスト理解の重要性を前提に、4つのランドスケープで優れた分類精度を実現した(平均インターセクション・オーバー・ユニジョン0.74、平均F1スコア0.84)。 以上の結果から,高縁密度の複雑な構造物,特にパッチとツリーの分類において,特に課題が明らかとなった。 我々の一般化実験は、信頼性の高い大規模マッピングを実現するために、地域的に多様なトレーニングデータの必要性を強調している。 データセットとコードはhttps://github.com/Moerizzy/TOFMapperで公開されている。

関連論文リスト

• PointsToWood: A deep learning framework for complete canopy leaf-wood segmentation of TLS data across diverse European forests [0.0]
  我々は,ポイントネットとポイントクラウドから新たに開発されたディープラーニングアーキテクチャを用いて,3Dポイントクラウドを処理する新しいフレームワークを示す。 ボレアル地域,温帯地域,地中海地域,熱帯地域のオープンデータセットを用いて,その性能を評価した。 その結果、葉・木分断において最も広く使われているPointNetベースのアプローチに対して、一貫した性能を示した。
  論文  参考訳（メタデータ） (2025-03-06T13:23:03Z)
• 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)
• Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning [16.071397465972893]
  ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。 システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
  論文  参考訳（メタデータ） (2023-12-22T21:54:35Z)
• Effective and Efficient Federated Tree Learning on Hybrid Data [80.31870543351918]
  本稿では,ハイブリッドデータ上でのフェデレーションツリー学習を可能にする,新しいフェデレーション学習手法であるHybridTreeを提案する。 木に一貫した分割ルールが存在することを観察し、木の下層にパーティの知識を組み込むことができることを示す。 実験により,HybridTreeは計算および通信のオーバーヘッドが低い集中的な設定に匹敵する精度を達成できることを示した。
  論文  参考訳（メタデータ） (2023-10-18T10:28:29Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• 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)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。