論文の概要: SelectAnyTree: A Promptable Instance Segmentation Model for 3D Forest LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2606.27491v1
• Date: Thu, 25 Jun 2026 19:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.29509
• Title: SelectAnyTree: A Promptable Instance Segmentation Model for 3D Forest LiDAR Point Clouds
• Title（参考訳）: SelectAnyTree: 3次元フォレストLiDAR点雲のインスタンス分割モデル
• Abstract要約: SelectAnyTreeは、アクセラブルなインスタンスセグメンテーションモデルで、3Dフォレストポイントクラウド内の個々のツリーを数クリックから切り離すことができる。 目標木を78.2インターセクション・オーバー・ユニオン(IoU)に分割し、1クリックで24.8ポイント、最強のプロンプトベースラインを上回っている。 最小クリック数ですべての精度ターゲットに到達する一方で、パラメータをはるかに少なく、事前のプロンプト可能なモデルよりも推論時間が少ない。
• 参考スコア（独自算出の注目度）: 12.836432207782039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated instance segmentation of forest LiDAR point clouds is increasingly critical as forest monitoring moves toward scalable, detailed, 3D measurement. Yet, progress is constrained by label scarcity for tree instances; a single hectare can hold millions of points and hundreds of overlapping, complex crowns, making manual annotation from scratch with raw data laborious and error-prone. Annotations are often corrected from automatic pre-segmentations, but remain costly as these provide no interactive or AI-assisted refinement. Inspired by the promptable paradigm of foundation segmentation models, we propose SelectAnyTree, a promptable instance segmentation model that delineates any individual tree in a 3D forest point cloud from a few clicks. It introduces two key components: Click-to-query prompt encoder and Canopy Height Model (CHM)-guided first prompt. The former turns each click into a single content query, encoding its 3D position and positive/negative polarity together with a pooled local backbone feature. The latter provides treetops as a geometry- and ecologically guided first prompt without any user input. The resulting prompt query is then decoded into one tree mask by a state-space query decoder to efficiently capture long-range context in large-scale forest scenes with linear-time complexity. We evaluate SelectAnyTree in interactive and instance-level settings across seven diverse forest regions and an independent held-out test dataset, demonstrating strong generalization beyond the training domains. It segments a target tree to 78.2 Intersection over Union (IoU) from a single click, 24.8 points above the strongest promptable baseline, and reaches every accuracy target with the fewest clicks, while using far fewer parameters and less inference time than prior promptable models. The source code is available at https://github.com/thanhhff/SelectAnyTree.
• Abstract（参考訳）: 森林モニタリングがスケーラブルで詳細な3D計測へと進むにつれ、森林のLiDAR点雲の自動インスタンスセグメンテーションがますます重要になっている。 単一のヘクタールは数百万のポイントと数百の重複する複雑なクラウンを保持することができ、生のデータに精通し、エラーが発生しやすいように手動で注釈を付けることができる。 アノテーションは自動プリセグメンテーションから修正されることが多いが、対話的あるいはAIによる改良が提供されないため、コストがかかる。 SelectAnyTreeは3Dフォレストポイントクラウドの個々の木を数クリックから切り離すことができるインスタンスセグメンテーションモデルである。 Click-to-queryプロンプトエンコーダとCanopy Height Model(CHM)誘導ファーストプロンプトである。 前者は各クリックを単一のコンテンツクエリに変換し、その3D位置と正/負の極性と、プールされたローカルバックボーン機能とをエンコードする。 後者は、ユーザー入力なしで、幾何学的かつ生態学的に導かれた最初のプロンプトとしてツリートップを提供する。 結果のプロンプトクエリは、ステートスペースクエリデコーダによって1つのツリーマスクにデコードされ、大規模森林シーンにおける長距離コンテキストを線形時間で効率的にキャプチャする。 SelectAnyTreeを、7つの多様な森林地域と独立したホールトアウトテストデータセットの対話的およびインスタンスレベルの設定で評価し、トレーニング領域を超えて強力な一般化を実証した。 ターゲットツリーを1クリックから78.2インターセクションオーバーユニオン(IoU)に分割し、最強のプロンプト可能なベースラインより24.8ポイント高く、最小のクリックで全ての精度ターゲットに到達し、従来のプロンプト可能なモデルよりもはるかに少ないパラメータと推論時間を使用する。 ソースコードはhttps://github.com/thanhhff/SelectAnyTree.comで入手できる。

関連論文リスト

• SegmentAnyTreeV2: Scaling Transformer-Based Tree Instance Segmentation Across Sensors, Platforms, and Forests [0.0]
  SegmentAnyTreeV2は、センサとプラットフォームに依存しない、フォレストポイントクラウドのセグメンテーションとインスタンスセグメンテーションのためのフレームワークである。 FOR-instanceV2テスト分割では、SegmentAnyTreeV2は90.5%の精度、80.2%のリコール、85.0%のF1、90.7%のカバレッジ、87.6%のセマンティックmIoUを達成した。
  論文  参考訳（メタデータ） (2026-06-06T14:48:25Z)
• 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)
• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Weakly-Supervised Learning for Tree Instances Segmentation in Airborne Lidar Point Clouds [1.5624421399300306]
  大気中のレーザースキャン(ALS)データのツリーインスタンスセグメンテーションは、森林モニタリングにおいて最も重要である。 人間の操作者による品質評価として,初期セグメンテーション結果のラベルが提供される弱い教師付きアプローチを提案する。 品質評価中に生成されたラベルは、評価モデルをトレーニングするために使用され、そのタスクは、セグメンテーション出力を人間のオペレータが指定したクラスに分類することである。
  論文  参考訳（メタデータ） (2025-08-21T15:25:23Z)
• ForestFormer3D: A Unified Framework for End-to-End Segmentation of Forest LiDAR 3D Point Clouds [0.06282171844772422]
  ForestFormer3Dは、個々のツリーとセマンティックセグメンテーションを正確に記述するための、新しい統合およびエンドツーエンドのフレームワークである。 ForestFormer3Dには、ISA誘導クエリポイントの選択、推論中のスコアベースのブロックマージ戦略、効果的なトレーニングのための1対多のアソシエーションメカニズムが組み込まれている。 本モデルでは,新たに導入されたFOOR-instanceV2データセットを用いて,個々の木分割の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-06-20T13:39:27Z)
• Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery [1.2770132985501168]
  現在のRGBツリーセグメンテーション手法は、ラベル付きツリーデータセットを用いた特別な機械学習モデルのトレーニングに依存している。 本稿では,最先端画像分割モデルであるSegment Anything Model 2 (SAM2) を,個々の木の検出とセグメンテーションのためにゼロショット方式で使用することの有効性について検討する。 その結果,SAM2は印象的な一般化能力を持つだけでなく,ドメイン内のラベル付きデータに基づいて訓練された特殊な手法で自然なシナジーを形成することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-03T17:44:43Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• TreeLearn: A deep learning method for segmenting individual trees from ground-based LiDAR forest point clouds [40.46280139210502]
  TreeLearnは、森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングアプローチである。 TreeLearnは、データ駆動の方法で、すでにセグメンテーションされたポイントクラウドでトレーニングされている。 我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
  論文  参考訳（メタデータ） (2023-09-15T15:20:16Z)
• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds [67.0904905172941]
  本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。 私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
  論文  参考訳（メタデータ） (2020-03-29T14:13:29Z)

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。