論文の概要: Counting Trees from Satellite Imagery with Noisy Supervision

• arxiv url: http://arxiv.org/abs/2606.24786v1
• Date: Tue, 23 Jun 2026 16:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.092356
• Title: Counting Trees from Satellite Imagery with Noisy Supervision
• Title（参考訳）: ノイズ・スーパービジョンによる衛星画像からの樹木の数え方
• Authors: Dimitri Gominski, Maurice Mugabowindekwe, Qiue Xu, Xiaowei Tong, Martin Brandt, Hieu Le, Rasmus Fensholt, Dimitris Samaras, Loic Landrieu,
• Abstract要約: 個々の木を数えることは環境モニタリングの基本的な課題であるが、衛星画像ではほとんど探索されていない。 我々は3大陸と3つの衛星センサーにまたがる新しいベンチマークを行い、23,000 sq.kmで2億1500万以上のツリーアノテーション(手動検証インスタンスを含む)を作成した。 提案手法は, 検出ベース, 回帰ベース, トランスポートベース分布マッチングベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 36.42937114394326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counting individual trees is a fundamental task for environmental monitoring, yet remains largely unexplored with satellite imagery. At these resolutions, isolated trees may still be identifiable, but crown boundaries become ambiguous in dense forests, making the notion of an individual tree inherently ill-defined. Moreover, large-scale manual annotations of individual trees are prohibitively expensive. While scalable supervision can be derived from airborne LiDAR, the resulting annotations are noisy and difficult to exploit effectively. We address these challenges by formulating tree counting as a spatial density matching problem supervised through Unbalanced Optimal Transport. This formulation naturally accommodates both precise localization of isolate trees and robust density estimation in dense forests. We further introduce a self-correction mechanism that leverages transport residuals to progressively refine noisy supervision during training. We evaluate our approach on TinyTrees, a new benchmark spanning three continents and three satellite sensors, comprising over 215 million tree annotations (including 773K manually verified instances) across 23,000 sq.km. Our method consistently outperforms detection-based, regression-based, and transport-based distribution-matching baselines, demonstrating the effectiveness of unbalanced transport and reliability-aware supervision for large-scale tree counting from satellite imagery. Code, data and models are available at https://github.com/dgominski/treematch.
• Abstract（参考訳）: 個々の木を数えることは環境モニタリングの基本的な課題であるが、衛星画像ではほとんど探索されていない。 これらの解像度では、単離された木はいまだに識別可能であるが、樹冠の境界は密林では曖昧になり、個々の木の概念は本質的に不確定である。 また、個々の木の大規模な手書き注釈は違法に高価である。 スケーラブルな監視は空中に浮かぶLiDARから引き出すことができるが、結果として得られるアノテーションは騒々しく、効果的に活用することは困難である。 本研究では,不均衡最適輸送を通した空間密度マッチング問題として木数計算を定式化することによって,これらの課題に対処する。 この定式化は、孤立樹の精密な局在化と密林における頑健な密度推定の両方を自然に許容する。 さらに, 移動残差を利用した自己補正機構を導入し, 訓練中の騒音監視を段階的に改善する。 我々は3大陸と3つの衛星センサーにまたがる新しいベンチマークであるTinyTreesに対する我々のアプローチを評価した。 本手法は,衛星画像からの大規模木数計測において,不均衡な輸送と信頼性に配慮した管理の有効性を示すとともに,検出ベース,回帰ベース,輸送ベース分布マッチングベースラインを一貫して上回っている。 コード、データ、モデルはhttps://github.com/dgominski/treematch.comで入手できる。

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)
• 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)
• Dual-Task Learning for Dead Tree Detection and Segmentation with Hybrid Self-Attention U-Nets in Aerial Imagery [1.693687279684153]
  本研究では,深層学習に基づく木分割を改良するハイブリッド後処理フレームワークを提案する。 ボレアル林の高解像度空中画像に基づいて、このフレームワークはインスタンスレベルのセグメンテーション精度を41.5%向上させた。 フレームワークの計算効率は、壁と壁の間の木死のマッピングのようなスケーラブルなアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-03-27T12:25:20Z)
• Assessing SAM for Tree Crown Instance Segmentation from Drone Imagery [68.69685477556682]
  現在のモニタリング手法では、各種に対して手動で木を計測し、コスト、時間、労働力を必要とする。 ドローンリモートセンシングとコンピュータビジョンの進歩は、空中画像から木をマッピングし、特徴づける大きな可能性を秘めている。 若木植林の高分解能ドローン画像における樹冠の自動区分け作業におけるSAM法の比較を行った。 SAM out-of-box を用いたメソッドは、よく設計されたプロンプトであっても、カスタム Mask R-CNN よりも優れているわけではないが、SAM をチューニングするメソッドの可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-26T03:45:36Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Automatic Quantification and Visualization of Street Trees [29.343663350855522]
  この研究はまず、道端の木を数えるために慎重に設計されたデータ収集のセットアップを説明します。 次に,木を頑健に検出・定量化することを目的とした,ユニークなアノテーション手法について述べる。 本稿では,現在のオブジェクト検出手法と,新しい単純なカウントアルゴリズムを用いて,ストリートツリーの検出,カウント,可視化を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-17T18:44:46Z)

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。