論文の概要: NormalView: sensor-agnostic tree species classification from backpack and aerial lidar data using geometric projections

• arxiv url: http://arxiv.org/abs/2512.05610v1
• Date: Fri, 05 Dec 2025 10:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.995568
• Title: NormalView: sensor-agnostic tree species classification from backpack and aerial lidar data using geometric projections
• Title（参考訳）: ノーマルビュー:幾何学的投影を用いたバックパックおよび空中ライダーデータからのセンサ非依存樹種分類
• Authors: Juho Korkeala, Jesse Muhojoki, Josef Taher, Klaara Salolahti, Matti Hyyppä, Antero Kukko, Juha Hyyppä,
• Abstract要約: 点雲データから木種を分類する,センサに依存しない投射型ディープラーニング手法を提案する。 NormalViewは局所幾何学情報を通常のベクトル推定の形で二次元射影に埋め込む。 マルチスペクトル強度情報が分類性能に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 2.076162610275395
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Laser scanning has proven to be an invaluable tool in assessing the decomposition of forest environments. Mobile laser scanning (MLS) has shown to be highly promising for extremely accurate, tree level inventory. In this study, we present NormalView, a sensor-agnostic projection-based deep learning method for classifying tree species from point cloud data. NormalView embeds local geometric information into two-dimensional projections, in the form of normal vector estimates, and uses the projections as inputs to an image classification network, YOLOv11. In addition, we inspected the effect of multispectral radiometric intensity information on classification performance. We trained and tested our model on high-density MLS data (7 species, ~5000 pts/m^2), as well as high-density airborne laser scanning (ALS) data (9 species, >1000 pts/m^2). On the MLS data, NormalView achieves an overall accuracy (macro-average accuracy) of 95.5 % (94.8 %), and 91.8 % (79.1 %) on the ALS data. We found that having intensity information from multiple scanners provides benefits in tree species classification, and the best model on the multispectral ALS dataset was a model using intensity information from all three channels of the multispectral ALS. This study demonstrates that projection-based methods, when enhanced with geometric information and coupled with state-of-the-art image classification backbones, can achieve exceptional results. Crucially, these methods are sensor-agnostic, relying only on geometric information. Additionally, we publically release the MLS dataset used in the study.
• Abstract（参考訳）: レーザースキャンは森林環境の分解を評価する上で貴重なツールであることが証明されている。 モバイルレーザースキャン(MLS)は、極めて正確なツリーレベルのインベントリに非常に有望であることが示されている。 本研究では,センサに依存しない投影型深層学習手法であるNormalViewを提案する。 NormalViewは、局所的な幾何学的情報を通常のベクトル推定の形で2次元の投影に埋め込み、投影を画像分類ネットワークYOLOv11への入力として利用する。 さらに,マルチスペクトル放射強度情報が分類性能に及ぼす影響を調べた。 我々は,高密度MLSデータ (7種, ~5000 pts/m^2) と高密度空中レーザー走査(ALS)データ (9種, >1000 pts/m^2) を用いて実験を行った。 MLSデータでは、ALSデータに対して95.5%(94.8%)、91.8%(79.1%)の総合的精度(マクロ平均精度)を達成する。 マルチスペクトルALSデータセットの最も優れたモデルは、マルチスペクトルALSの3つのチャンネルのインテンシティ情報を用いたモデルである。 本研究では,プロジェクションに基づく手法が幾何情報によって拡張され,最先端の画像分類バックボーンと組み合わせられた場合,例外的な結果が得られることを示す。 重要な点として、これらの手法はセンサに依存しず、幾何学的情報のみに依存している。 また,本研究で用いたMLSデータセットも公開している。

関連論文リスト

• Multispectral airborne laser scanning for tree species classification: a benchmark of machine learning and deep learning algorithms [3.9167717582896793]
  マルチスペクトル空中レーザースキャン(ALS)は、自動点クラウド処理とツリーセグメンテーションにおいて有望であることを示す。 本研究は,木種分類のための機械学習およびディープラーニング手法のベンチマークを行うことにより,これらのギャップに対処する。
  論文  参考訳（メタデータ） (2025-04-19T16:03:49Z)
• Tree Species Classification using Machine Learning and 3D Tomographic SAR -- a case study in Northern Europe [0.0]
  樹木種の分類は、自然保護、森林在庫、森林管理、絶滅危惧種の保護において重要な役割を担っている。 本研究では,SLC(Single-look Complex)画像のスタックを利用した3次元トモグラフィーデータセットであるTtomoSenseを用いた。
  論文  参考訳（メタデータ） (2024-11-19T22:25:26Z)
• Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset [1.2771525473423657]
  FOR-species20Kベンチマークが作成され、33種から20,000以上の樹点雲が形成された。 このデータセットは、樹種分類のためのDLモデルのベンチマークを可能にする。 トップモデルであるDetailViewは特に堅牢で、データの不均衡をうまく処理し、ツリーサイズを効果的に一般化する。
  論文  参考訳（メタデータ） (2024-08-12T21:47:15Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
  本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。 結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
  論文  参考訳（メタデータ） (2024-06-13T17:59:30Z)
• SegmentAnyTree: A sensor and platform agnostic deep learning model for tree segmentation using laser scanning data [15.438892555484616]
  本研究は,様々なレーザー走査型に適用可能な深層学習モデルを用いて,ライダーデータにおけるツリークラウン(ITC)セグメンテーションを推し進める。 3次元森林景観解析におけるデータ特性の相違による伝達可能性の課題に対処する。 PointGroupアーキテクチャに基づくこのモデルは、セマンティックとインスタンスセグメンテーションのための別々のヘッドを持つ3D CNNである。
  論文  参考訳（メタデータ） (2024-01-28T19:47:17Z)
• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial Representation Learning [55.762840052788945]
  本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。 その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
  論文  参考訳（メタデータ） (2022-12-30T03:15:34Z)

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。