論文の概要: UruDendro4: A Benchmark Dataset for Automatic Tree-Ring Detection in Cross-Section Images of Pinus taeda L

• arxiv url: http://arxiv.org/abs/2511.20935v1
• Date: Tue, 25 Nov 2025 23:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.901793
• Title: UruDendro4: A Benchmark Dataset for Automatic Tree-Ring Detection in Cross-Section Images of Pinus taeda L
• Title（参考訳）: UruDendro4: Pinus taeda L の断面画像の自動ツリーリング検出のためのベンチマークデータセット
• Authors: Henry Marichal, Joaquin Blanco, Diego Passarella, Gregory Randall,
• Abstract要約: UruDendro4 データセットは Pinus taeda L. の 102 イメージサンプルの集合であり,それぞれが年次成長環を手動で注釈付けされている。 既存の公開データセットとは異なり、UruDendro4は茎に沿って複数の高さで抽出されたサンプルを含んでいる。 我々は,最先端手法を用いて,このデータセットの自動リング検出のための性能ベースラインを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tree-ring growth represents the annual wood increment for a tree, and quantifying it allows researchers to assess which silvicultural practices are best suited for each species. Manual measurement of this growth is time-consuming and often imprecise, as it is typically performed along 4 to 8 radial directions on a cross-sectional disc. In recent years, automated algorithms and datasets have emerged to enhance accuracy and automate the delineation of annual rings in cross-sectional images. To address the scarcity of wood cross-section data, we introduce the UruDendro4 dataset, a collection of 102 image samples of Pinus taeda L., each manually annotated with annual growth rings. Unlike existing public datasets, UruDendro4 includes samples extracted at multiple heights along the stem, allowing for the volumetric modeling of annual growth using manually delineated rings. This dataset (images and annotations) allows the development of volumetric models for annual wood estimation based on cross-sectional imagery. Additionally, we provide a performance baseline for automatic ring detection on this dataset using state-of-the-art methods. The highest performance was achieved by the DeepCS-TRD method, with a mean Average Precision of 0.838, a mean Average Recall of 0.782, and an Adapted Rand Error score of 0.084. A series of ablation experiments were conducted to empirically validate the final parameter configuration. Furthermore, we empirically demonstrate that training a learning model including this dataset improves the model's generalization in the tree-ring detection task.
• Abstract（参考訳）: 樹林の成長は、樹の毎年の増木であり、それを定量化することで、研究者は各種に最も適したシルビカルチャーの実践を評価することができる。 この成長のマニュアル測定は時間がかかり、通常は横断円盤上の4から8の半径方向に沿って行われるため、しばしば不正確である。 近年、アルゴリズムとデータセットの精度を高め、断面画像における年輪のデライン化を自動化するために、自動化アルゴリズムやデータセットが登場している。 UruDendro4データセットはPinus taeda L.の102枚の画像サンプルを手動でアノテートしたものだ。 既存の公開データセットとは異なり、UruDendro4は茎に沿って複数の高さで抽出されたサンプルを含んでおり、手動でデラインリングを用いて年間成長の体積モデルを作成することができる。 このデータセット(画像とアノテーション)は、断面画像に基づく年次木材推定のための体積モデルの開発を可能にする。 さらに、このデータセット上で、最先端の手法を用いて、自動リング検出のためのパフォーマンスベースラインを提供する。 最高性能はDeepCS-TRD法(平均精度0.838、平均リコール0.782、適応ランダムエラースコア0.084)で達成された。 最終パラメータ設定を実験的に検証するために,一連のアブレーション実験を行った。 さらに、このデータセットを含む学習モデルのトレーニングが、ツリーリング検出タスクにおけるモデルの一般化を改善することを実証的に示す。

関連論文リスト

• 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)
• UruDendro, a public dataset of cross-section images of Pinus taeda [0.0]
  本論文は,ウルグアイ北部で栽培されたタエダ林の横断面をスキャンした64枚の画像のデータベースを公開し,その樹齢は17～24歳である。 このコレクションには、照明と表面調製のバリエーション、真菌感染(青色の染色)、結び目の形成、外輪の欠損または中断、放射分解など、自動リング検出のためのいくつかの困難な特徴が含まれている。 本稿では, 樹冠年代学コミュニティにおいて, 初期木と後期木との明確な定義を示す木々の断面において, 完全な年輪を識別し, マークするクロス・セクション・ツリー・リング検出法(CS-TRD)について述べる。
  論文  参考訳（メタデータ） (2024-04-16T19:10:40Z)
• Automatic Wood Pith Detector: Local Orientation Estimation and Robust Accumulation [0.0]
  木材ピット検出(APD)のための完全自動化手法を提案する。 この方法は、2次元構造テンソルを用いてリングの局所的な向きを推定し、ピット位置を求める。 また,明らかなツリーリングパターンが存在しない場合に,本手法の有効性を高める変種(APD-PCL)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T13:47:15Z)
• Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
  我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。 我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。 我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
  論文  参考訳（メタデータ） (2024-01-31T16:44:20Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• 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)
• CS-TRD: a Cross Sections Tree Ring Detection method [0.0]
  この手法は、Canny Devernayエッジ検出器(シグマ)のパラメータ、サイズ要因、光の数、および穴の位置に依存する。 CS-TRDは完全に自動化されており、UruDendroデータセット(Pinus taeda)で89%、Kennelデータセット(Abies alba)で97%のFスコアを特別なハードウェア要件なしで達成している。
  論文  参考訳（メタデータ） (2023-05-18T08:43:57Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)

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。