論文の概要: Estimating Individual Tree Height and Species from UAV Imagery

• arxiv url: http://arxiv.org/abs/2603.23669v1
• Date: Tue, 24 Mar 2026 19:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.005033
• Title: Estimating Individual Tree Height and Species from UAV Imagery
• Title（参考訳）: UAV画像による樹高と種の推定
• Authors: Jannik Endres, Etienne Laliberté, David Rolnick, Arthur Ouaknine,
• Abstract要約: BIRCH-Treesは,樹高を推定する最初のベンチマークであり,樹木中心のUAV画像から種を推定する。 また,視覚基礎モデル(VFM)のバックボーンとタスク固有の頭部を併用した統合的アプローチとしてDINOvTreeを提案する。
• 参考スコア（独自算出の注目度）: 16.423929827492493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of forest biomass, a major carbon sink, relies heavily on tree-level traits such as height and species. Unoccupied Aerial Vehicles (UAVs) capturing high-resolution imagery from a single RGB camera offer a cost-effective and scalable approach for mapping and measuring individual trees. We introduce BIRCH-Trees, the first benchmark for individual tree height and species estimation from tree-centered UAV images, spanning three datasets: temperate forests, tropical forests, and boreal plantations. We also present DINOvTree, a unified approach using a Vision Foundation Model (VFM) backbone with task-specific heads for simultaneous height and species prediction. Through extensive evaluations on BIRCH-Trees, we compare DINOvTree against commonly used vision methods, including VFMs, as well as biological allometric equations. We find that DINOvTree achieves top overall results with accurate height predictions and competitive classification accuracy while using only 54% to 58% of the parameters of the second-best approach.
• Abstract（参考訳）: 主要な炭素シンクである森林バイオマスの正確な推定は、高さや種などの樹上特性に大きく依存している。 無人航空機(UAV)は、単一のRGBカメラから高解像度の画像を撮影し、個々の木をマッピングし、測定するためのコスト効率とスケーラブルなアプローチを提供する。 BIRCH-Treesは,温帯林,熱帯林,および植物プランテーションの3つのデータセットにまたがる,樹高の指標であり,樹木中心のUAV画像から種を推定する最初の指標である。 また,視覚基礎モデル (VFM) のバックボーンとタスク固有の頭部を併用した統合的アプローチであるDINOvTreeについて述べる。 BIRCH-Trees に関する広範囲な評価を通じて、DINOvTree と VFM を含む一般的な視覚的手法、および生物学的アロメトリック方程式を比較した。 その結果、DINOvTreeは、第2のベストアプローチのパラメータの54%から58%しか使用せず、正確な高さ予測と競合する分類精度で、上位の総合的な結果が得られることがわかった。

関連論文リスト

• Fast Inference of Visual Autoregressive Model with Adjacency-Adaptive Dynamical Draft Trees [50.230925890958936]
  本稿では,隣接するトークン状態と先行受入率を活用することで,ドラフトツリーの深さと幅を調整できる適応型動的ドラフトツリーを提案する。 ADT-Treeは、それぞれ3.13xと3.05xのスピードアップを実現し、LANTERNのような緩やかなサンプリング手法とシームレスに統合する。
  論文  参考訳（メタデータ） (2025-12-26T04:45:49Z)
• Trees as Gaussians: Large-Scale Individual Tree Mapping [6.798019232699303]
  樹木は地球生物圏の重要な要素であり、生態系の機能、気候規制、生物生態学において重要な役割を担っている。 利用可能なグローバル製品はバイナリツリーカバーやキャノピー高さに重点を置いており、個々のレベルでツリーを明示的に識別していない。 本研究では,地球規模で3m解像度のPlanetScope画像における大規模個体木検出のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-08-29T09:04:53Z)
• Tree-Mamba: A Tree-Aware Mamba for Underwater Monocular Depth Estimation [85.17735565146106]
  水中単眼深度推定(UMDE)は水中劣化画像から高精度深度マップを推定することを目的とした重要な課題である。 我々は,水中の劣化画像から正確な単分子深度マップを推定するための,木を意識した新しいマンバ手法であるTree-Mambaを開発した。 海底深度推定ベンチマーク (BlueDepth) を構築し, 深度ラベルが信頼できる海底画像ペア38,162枚を構築した。
  論文  参考訳（メタデータ） (2025-07-10T12:10:51Z)
• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• Estimating the Diameter at Breast Height of Trees in a Forest With a Single 360 Camera [52.85399274741336]
  森林在庫は、生態モニタリング、資源管理、炭素会計のために、乳房の高さ(DBH)の直径の正確な測定に頼っている。 LiDARベースの技術はセンチメートル単位の精度を達成できるが、コストは抑えられ、運用上複雑である。 コンシューマグレードの360度ビデオカメラしか必要としない低価格の代替機を提示する。
  論文  参考訳（メタデータ） (2025-05-06T01:09:07Z)
• 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)
• 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)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)

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。