論文の概要: Cross-Domain Dead Tree Detection via Knowledge Distillation in Aerial Imagery
- arxiv url: http://arxiv.org/abs/2606.02303v1
- Date: Mon, 01 Jun 2026 14:24:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.278209
- Title: Cross-Domain Dead Tree Detection via Knowledge Distillation in Aerial Imagery
- Title（参考訳）: 航空画像における知識蒸留によるクロスドメインデッドツリー検出
- Authors: Anis Ur Rahman, Mete Ahishali, Einari Heinaro, Samuli Junttila,
- Abstract要約: 本研究は、フィンランドの航空画像(ソースドメイン)に基づいて訓練されたTreeMort-1T-UNetモデルを、知識蒸留(KD)を適用して、様々な対象領域に適応させることにより前進させる。
Mean Tree IoU, Instance F1-score, Instance Precision, Mean Centroid Errorの4つのKD変種を評価する。
特徴レベルKDは他より優れており、平均木IoUは0.106、インスタンスF1スコアは0.63、平均セントロイド誤差は3.039である。
- 参考スコア（独自算出の注目度）: 2.9748898344267776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting dead trees in aerial imagery is vital for assessing forest health, especially as tree mortality increases globally due to climate change, but domain variability and scarce labeled data often limit model generalization. This study advances the TreeMort-1T-UNet (Tree Mortality 1-Task U-Net) model, initially trained on Finnish aerial imagery (source domain), by applying knowledge distillation (KD) to adapt it to various target domains, including Polish, German, and Estonian datasets representing diverse forest types. We assess four KD variants: Basic, Self, Feature-level, and Ensemble, against a fine-tuning baseline, using Mean Tree IoU, Instance F1-score, Instance Precision, and Mean Centroid Error as key metrics, alongside representational analyses (e.g., cosine similarity, CKA, SSIM, t-SNE, and linear probing) for domain invariance. Feature-level KD outperforms others, yielding a Mean Tree IoU of 0.106, Instance F1-score of 0.63, Instance Precision of 0.55, and Mean Centroid Error of 3.039 on the Polish dataset, with robust precision across other target domains (e.g., 0.15 on Finnish, 0.67 on Polish, 0.60 on German, 0.59 on Estonian). It excels in low-data scenarios with fewer false positives and shows superior representational invariance (e.g., higher deep-layer CKA/SSIM, better domain mixing in t-SNE, and linear probing AUC of 0.95), making it ideal for precision-critical forestry applications. Additional ablation studies confirm that key components like feature alignment enhance its performance balance across metrics. Our findings demonstrate KD's potential to enhance transfer learning in remote sensing, offering a scalable, domain-robust tool for ecological monitoring and sustainable forest management.
- Abstract（参考訳）: 大気画像中の枯木の検出は、特に気候変動によって世界中の木死が増加するため、森林の健康を評価するために不可欠であるが、ドメインの多様性とラベル付きデータが少ないため、モデル一般化が制限されることがしばしばある。
本研究は、フィンランドの航空画像(ソースドメイン)に基づいて訓練されたTree Mortality 1-Task U-Netモデル(Tree Mortality 1-Task U-Net)を、知識蒸留(KD)を適用して、様々な森林タイプを表すポーランド、ドイツ、エストニアのデータセットを含む様々なターゲットドメインに適応させる。
基本,自己,特徴レベル,アンサンブルの4つのKD変種を,ドメイン不変性に対する表現解析(例えば,コサイン類似性,CKA,SSIM,t-SNE,線形プローブ)とともに,平均木IoU,インスタンスF1スコア,インスタンス精度,平均セントロイド誤差を用いて,微調整ベースラインに対して評価する。
特徴レベルKDは他より優れており、平均木IoUは0.106、インスタンスF1スコアは0.63、インスタンス精度は0.55、平均セントロイド誤差は3.039であり、他のターゲットドメイン(例えばフィンランドでは0.15、ポーランドでは0.67、ドイツ語では0.60、エストニアでは0.59)にわたって頑健である。
低データのシナリオでは、偽陽性が少なく、表現不変性が優れている(例えば、高い深層CKA/SSIM、t-SNEでのドメイン混合の改善、および線形プローブAUC 0.95)。
追加のアブレーション調査では、機能アライメントのような重要なコンポーネントがメトリクス間のパフォーマンスバランスを高めることが確認されている。
本研究は,KDがリモートセンシングにおける伝達学習を強化する可能性を示し,環境モニタリングと持続可能な森林管理のためのスケーラブルでドメインローバストなツールを提供する。
関連論文リスト
- deadtrees.earth-aerial: A Multi-Resolution Aerial Image Dataset for Tree Cover and Mortality Detection [12.948616462171655]
世界中の森林は、気候変動や火災、害虫、病原体などの乱れによってますます脅かされている。
ドローンや航空機からの航空画像は、樹冠と死亡率の詳細な、大規模なマッピングのための重要なデータソースである。
木被覆と木死の共同セグメンテーションを可能にするために,オープンな機械学習対応データセットを2つ導入する。
論文 参考訳（メタデータ） (2026-05-19T09:43:29Z) - Benchmarking individual tree segmentation using multispectral airborne laser scanning data: the FGI-EMIT dataset [4.560913422651555]
本研究では,FGI-EMITについて紹介する。FGI-EMITは,個別木分割のための大規模空中レーザスキャンベンチマークデータセットである。
データセットは、1,561本の注釈付き木で構成され、特に小さな下層木に焦点を当てている。
論文 参考訳（メタデータ） (2025-11-01T18:31:18Z) - From Field to Drone: Domain Drift Tolerant Automated Multi-Species and Damage Plant Semantic Segmentation for Herbicide Trials [1.0483690290582848]
本稿では,植物分類に基づく階層的推論を用いた汎用的自己教師型視覚モデルを提案する。
このモデルでは種同定(F1-score: 0.52 - 0.85, R-squared: 0.75 - 0.98)と損傷分類(F1-score: 0.28 - 0.44, R-squared: 0.71 - 0.87)を大幅に改善した。
現在はBASFの表現型パイプラインにデプロイされており、大規模で自動化された作物や雑草のモニタリングが多様な地理的に可能である。
論文 参考訳（メタデータ） (2025-08-11T00:08:42Z) - WorldPM: Scaling Human Preference Modeling [130.23230492612214]
我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。
多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。
1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
論文 参考訳（メタデータ） (2025-05-15T17:38:37Z) - Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。
トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T13:13:39Z) - A Bayesian Approach to OOD Robustness in Image Classification [17.888151315897865]
対象分類のためのOODロバストネスに対する新しいベイズ的アプローチを導入する。
我々は、CompNetsがvon Mises-Fisher(vMF)カーネルで表される特徴ベクトル上に定義された生成ヘッドを含んでいるという事実を活用する。
これにより、ソースとターゲットドメインの中間に位置するvMFカーネルの遷移辞書を学習することができる。
論文 参考訳（メタデータ） (2024-03-12T03:15:08Z) - BooleanOCT: Optimal Classification Trees based on multivariate Boolean
Rules [14.788278997556606]
最適な分類木を導出するために,MIP(Mixed-integer Programming)の定式化を導入する。
提案手法は,F1スコアなどの非線形指標と同様に,精度,バランスの取れた精度,コストに敏感なコストを含む線形メトリクスを統合する。
提案したモデルでは,実世界のデータセットに対して現実的な可解性を示し,数万のサイズの処理を効果的に行う。
論文 参考訳（メタデータ） (2024-01-29T12:58:44Z) - 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) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳（メタデータ） (2020-12-08T11:06:26Z)
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。