論文の概要: Performance Evaluation of Deep Learning for Tree Branch Segmentation in Autonomous Forestry Systems

• arxiv url: http://arxiv.org/abs/2512.05418v1
• Date: Fri, 05 Dec 2025 04:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.899297
• Title: Performance Evaluation of Deep Learning for Tree Branch Segmentation in Autonomous Forestry Systems
• Title（参考訳）: 自律林業システムにおける樹木分枝分枝学習の性能評価
• Authors: Yida Lin, Bing Xue, Mengjie Zhang, Sam Schofield, Richard Green,
• Abstract要約: 都市街路木データセットを用いて3つの解像度(256x256, 512x512, 1024x1024)で異なるディープラーニング手法を評価する。 We found that U-Net with MiT-B4 backbone is strong performance at 256x256。 1024x1024で、U-Net+MiT-B3はIoU/Diceと精度で最高のバリデーション性能を示し、U-Net++はバウンダリ品質が優れている。 これらの結果は、組込み林業システムにおける精度効率トレードオフのためのマルチレゾリューション・ベンチマークを確立した。
• 参考スコア（独自算出の注目度）: 5.266753902938501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: UAV-based autonomous forestry operations require rapid and precise tree branch segmentation for safe navigation and automated pruning across varying pixel resolutions and operational conditions. We evaluate different deep learning methods at three resolutions (256x256, 512x512, 1024x1024) using the Urban Street Tree Dataset, employing standard metrics (IoU, Dice) and specialized measures including Thin Structure IoU (TS-IoU) and Connectivity Preservation Rate (CPR). Among 22 configurations tested, U-Net with MiT-B4 backbone achieves strong performance at 256x256. At 512x512, MiT-B4 leads in IoU, Dice, TS-IoU, and Boundary-F1. At 1024x1024, U-Net+MiT-B3 shows the best validation performance for IoU/Dice and precision, while U-Net++ excels in boundary quality. PSPNet provides the most efficient option (2.36/9.43/37.74 GFLOPs) with 25.7/19.6/11.8 percentage point IoU reductions compared to top performers at respective resolutions. These results establish multi-resolution benchmarks for accuracy-efficiency trade-offs in embedded forestry systems. Implementation is available at https://github.com/BennyLinntu/PerformanceTreeBranchSegmentation.
• Abstract（参考訳）: UAVベースの自律林業では、安全なナビゲーションと様々なピクセル解像度と運用条件にまたがる自動刈取のために、迅速かつ正確な木の枝分割が必要である。 都市街路木データセットを用いて3つの解像度 (256x256, 512x512, 1024x1024) で異なるディープラーニング手法を評価し, 標準指標 (IoU, Dice) とThin Structure IoU (TS-IoU) とConnectivity Preservation Rate (CPR) を用いた。 テストされた22の構成のうち、MiT-B4バックボーン付きU-Netは256x256で高いパフォーマンスを実現している。 512x512で、MiT-B4はIoU、Dice、TS-IoU、Boundary-F1でリードする。 1024x1024で、U-Net+MiT-B3はIoU/Diceと精度で最高のバリデーション性能を示し、U-Net++はバウンダリ品質が優れている。 PSPNetは最も効率的なオプション(2.36/9.43/37.74 GFLOPs)を提供し、25.7/19.6/11.8パーセンテージのIoU削減を実現している。 これらの結果は、組込み林業システムにおける精度効率トレードオフのためのマルチレゾリューション・ベンチマークを確立した。 実装はhttps://github.com/BennyLinntu/PerformanceTreeBranchSegmentationで確認できる。

関連論文リスト

• Evaluating Embedding Models and Pipeline Optimization for AI Search Quality [0.0]
  我々は,AI駆動検索システムにおける各種テキスト埋め込みモデルとパイプライン構成の性能を評価する。 11,975対のクエリチャンクペアのカスタム評価データセットを,米国市議会の会議記録から合成した。
  論文  参考訳（メタデータ） (2025-11-27T09:09:39Z)
• Tree-NET: Enhancing Medical Image Segmentation Through Efficient Low-Level Feature Training [0.0]
  本稿では,医療画像セグメンテーションのための新しいフレームワークであるTree-NETを紹介する。 Tree-NETは、セグメンテーション精度と計算効率の両方を向上させるためにボトルネック機能監視を使用する。 実験の結果、Tree-NETはFLOPを4倍から13倍に減らし、メモリ使用量を減らし、元のものと同等または優れた精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-01-03T23:17:01Z)
• CalibNet: Dual-branch Cross-modal Calibration for RGB-D Salient Instance Segmentation [88.50067783122559]
  CalibNetは3つの単純なモジュール、動的インタラクティブカーネル(DIK)と重量共有融合(WSF)で構成されている。 実験の結果、CalibNetは、COME15K-Nテストセット上で320*480の入力サイズを持つ58.0% APという有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-16T16:49:59Z)
• HeteroEdge: Addressing Asymmetry in Heterogeneous Collaborative Autonomous Systems [1.274065448486689]
  2台の無人地上車両(UGV)と2台のNVIDIA Jetsonデバイスからなるテストベッドの自己適応最適化フレームワークを提案する。 このフレームワークは、異種ノード上の複数のタスク(ストレージ、処理、計算、送信、推論)を同時に効率的に管理する。 入力された画像フレームの圧縮とマスキング、類似したフレームの識別、および最適化のための境界条件を得るためにプロファイリング装置を含む。
  論文  参考訳（メタデータ） (2023-05-05T02:43:16Z)
• SFNet: Faster and Accurate Semantic Segmentation via Semantic Flow [88.97790684009979]
  性能を改善するための一般的な実践は、強力な意味表現を持つ高解像度の特徴写像を得ることである。 隣接レベルの特徴マップ間のテキストセマンティックフローを学習するためのフローアライメントモジュール(FAM)を提案する。 また,高分解能特徴写像と低分解能特徴写像を直接整列するGated Dual Flow Alignment Moduleを提案する。
  論文  参考訳（メタデータ） (2022-07-10T08:25:47Z)
• DPNET: Dual-Path Network for Efficient Object Detectioj with Lightweight Self-Attention [16.13989397708127]
  DPNetは、軽量な自己注意を伴う効率的なオブジェクト検出のためのデュアルパスネットワークである。 COCOデータセットでは29.0%のAPを達成し、320x320の画像に対して1.14 GFLOPと2.27Mモデルサイズしか達成していない。
  論文  参考訳（メタデータ） (2021-10-31T13:38:16Z)
• LGD: Label-guided Self-distillation for Object Detection [59.9972914042281]
  我々はLGD(Label-Guided Self-Distillation)と呼ばれる汎用物体検出のための最初の自己蒸留フレームワークを提案する。 本フレームワークは, 学習知識を得るために, スパースラベル-外観符号化, オブジェクト間関係適応, オブジェクト内知識マッピングを含む。 従来の教師ベースのFGFIと比較すると、LGDは予習された教師を必要とせず、本質的な学生学習よりも51%低い訓練コストで性能が向上する。
  論文  参考訳（メタデータ） (2021-09-23T16:55:01Z)
• Dense Dual-Path Network for Real-time Semantic Segmentation [7.8381744043673045]
  本稿では,資源制約下でのリアルタイムセマンティックセグメンテーションのための新しいDual-Path Network(DDPNet)を提案する。 DDPNetは、GTX 1080Tiカードの1024 X 2048解像度の入力に対して52.6 FPSで75.3% mIoUを達成した。
  論文  参考訳（メタデータ） (2020-10-21T06:11:41Z)
• KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
  トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。 本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。 提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2020-10-04T19:23:33Z)

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。