論文の概要: Self-Supervised Pretraining Improves Cross-Site and Cross-Scale Robustness of Point Cloud Leaf-Wood Segmentation

• arxiv url: http://arxiv.org/abs/2607.06948v1
• Date: Wed, 08 Jul 2026 03:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.271396
• Title: Self-Supervised Pretraining Improves Cross-Site and Cross-Scale Robustness of Point Cloud Leaf-Wood Segmentation
• Title（参考訳）: 自己監督型プレトレーニングによるポイントクラウドリーフウドセグメンテーションのクロスサイトとクロススケールロバスト性の改善
• Abstract要約: ポイントクラウド用に広く使用されているSSLアーキテクチャであるPoint-M2AEを,2400個のツリーポイントクラウドで拡張したShapeNet-55上で事前訓練した。 プレトレーニングのないモデルと比較して、プレトレーニングされたモデルでは、IoUが60.5%から70.0%に改善され、広葉樹では69.7%から76.3%に改善された。 プロットレベルのセグメンテーションは個々の木のパフォーマンスに匹敵する精度を維持し、mIoUはワイドリーフが84.7%、ニードルリーフプロットが77.7%であった。
• 参考スコア（独自算出の注目度）: 8.00670349722864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accuracy of existing leaf-wood segmentation methods for tree point clouds varies across forest types and sites. Self-supervised learning (SSL) on point clouds has improved the generalization of deep learning models for forestry point cloud tasks, including biomass regression and individual tree segmentation, but its applicability to leaf-wood segmentation remains untested. In this study, we pretrained Point-M2AE, a widely used SSL architecture for point clouds, on ShapeNet-55 augmented with 2,400 individual tree point clouds. For fine-tuning and inference, we used recursive voxel subdivision to handle the wide variation in point density across inputs, allowing the same model to operate at both individual-tree and plot scales without architecture change. Compared to the model without pretraining, the pretrained model improved wood IoU from 60.5% to 70.0% for needleleaf and from 69.7% to 76.3% for broadleaf trees. On a benchmark spanning four countries across three climatic zones, the pretrained model achieved the smallest cross-site variation and highest overall performance among compared methods (LeWos, CWLS, and PointTransformer). Plot-level segmentation maintained accuracy comparable to individual-tree performance, with mIoU of 84.7% for broadleaf and 77.7% for needleleaf plots, showing that the model generalizes across scales without additional finetuning. As a downstream test in tropical forests, where dense canopies make segmentation challenging, we applied our model and a quantitative structure model to estimate wood volume for 28 trees from Guyana, Indonesia, and Peru to assess whether the segmentation improvements from SSL pretraining translate into improved downstream performance. The resulting volume estimates achieved the lowest error among all methods tested (MAE = 2.40 m$^3$), less than half that of algorithmic baselines (LeWos: 5.94 m$^3$; CWLS: 5.27 m$^3$).
• Abstract（参考訳）: 樹冠群落の葉木分画法の精度は,森林タイプや地域によって異なる。 点クラウド上での自己教師付き学習(SSL)は、バイオマス回帰や個々の木分断を含む森林点クラウドタスクのディープラーニングモデルの一般化を改善したが、葉木分断への適用性はまだ検証されていない。 本研究では,2400個のツリーポイントクラウドを付加したShapeNet-55上で,ポイントクラウド用に広く使用されているSSLアーキテクチャであるPoint-M2AEを事前訓練した。 微調整と推測のために、我々は再帰的なボクセル分割を用いて入力間の点密度の広い変動を処理し、同じモデルをアーキテクチャの変更なしに個々の木とプロットのスケールで操作できるようにした。 プレトレーニングのないモデルと比較して、プレトレーニングされたモデルでは、IoUが60.5%から70.0%に改善され、広葉樹では69.7%から76.3%に改善された。 3つの気候帯にまたがる4つの国にまたがるベンチマークにおいて、事前訓練されたモデルは、比較した手法(LeWos、CWLS、PointTransformer)の中で、最小のクロスサイト変動と最高全体的な性能を達成した。 プロットレベルのセグメンテーションは個々の木のパフォーマンスに匹敵する精度を維持しており、広葉のmIoUは84.7%、針葉のプロットは77.7%であった。 密集樹冠がセグメント化を困難にしている熱帯林における下流試験として,ガイアナ,インドネシア,ペルーの28本の木の体積を推定するために,我々のモデルと定量的構造モデルを適用し,SSLプレトレーニングによるセグメンテーション改善が下流性能の向上に繋がるかどうかを検証した。 結果のボリューム推定値は、テストされたすべてのメソッド(MAE = 2.40 m$^3$)の中で最低誤差に達し、アルゴリズムベースラインの半分以下(LeWos: 5.94 m$^3$; CWLS: 5.27 m$^3$)となった。

関連論文リスト

• Direct Estimation of Tree Volume and Aboveground Biomass Using Deep Regression with Synthetic Lidar Data [4.588276431770691]
  森林バイオマスの推定は, 炭素沈降のモニタリングと気候変動対策の実施に不可欠である。 既存の方法では、例えば幹の直径や高さといった測定可能な生体物理パラメータに関連付けて、個々の木のバイオマスを推定するアロメトリモデルに頼っていることが多い。 本研究では, 合成点雲データを用いて深部回帰ネットワークを学習し, 実点雲に適用し, プロットレベルの木材体積推定を行う手法を提案する。
  論文  参考訳（メタデータ） (2026-03-04T23:56:41Z)
• LeafInst - Unified Instance Segmentation Network for Fine-Grained Forestry Leaf Phenotype Analysis: A New UAV based Benchmark [10.61947524568352]
  リーフインスト(LeafInst)は、不規則で多スケールな葉の構造に適した新しいセグメンテーションフレームワークである。 68.4 mAPを達成し、YOLOv11を7.1%、MaskDinoを6.5%上回っている。
  論文  参考訳（メタデータ） (2026-03-04T01:01:57Z)
• 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)
• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• 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)
• Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning [16.071397465972893]
  ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。 システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
  論文  参考訳（メタデータ） (2023-12-22T21:54:35Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
  本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。 実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
  論文  参考訳（メタデータ） (2021-06-18T01:03:13Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• 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)

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。