論文の概要: Detection of Christmas tree plantations from high-resolution aerial imagery. A case study in the French Morvan

• arxiv url: http://arxiv.org/abs/2608.27290v1
• Date: Thu, 27 Aug 2026 15:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.479875
• Title: Detection of Christmas tree plantations from high-resolution aerial imagery. A case study in the French Morvan
• Title（参考訳）: 高解像度空中画像によるクリスマスツリープランテーションの検出 : フランス・モルバン州を事例として
• Abstract要約: クリスマスツリープランテーションは経済的に関係があるが、リモートセンシング(RS)におけるほとんど探索されていない分野である。 本研究は, クリスマスツリーのプランテーションマッピングを, 個別のレアターゲットセマンティックセマンティックセグメンテーション問題として扱うこと, (ii) 混在する背景パターンの識別を改善するハードネガティブマイニング(HNM)戦略を導入すること, (iii) 教師付きテスト, 時間移動, 大規模検証を含む相補的なレベルのフレームワークを評価すること,の3つの主な貢献を行う。
• 参考スコア（独自算出の注目度）: 22.126775072131608
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Christmas tree plantations are economically relevant, yet a largely unexplored application domain in Remote Sensing (RS). Their delineation is challenging because of high planting density, short rotation cycles, visual confusion with surrounding vegetation, the availability of dense labels for one reference year only, and severe class imbalance at the landscape scale. Although Deep Learning (DL) methods have shown strong potential for vegetation mapping, existing approaches are typically designed for forests, generic plantation systems, or orchards, and do not explicitly address the structural specificity and hard-negative confusion that characterize Christmas tree plantations. In response to these challenges, this work makes three main contributions: (i) it frames Christmas tree plantation mapping as a distinct rare-target semantic segmentation problem; (ii) it introduces a Hard Negative Mining (HNM) strategy to improve discrimination against confusing background patterns; and (iii) it evaluates the proposed framework across complementary levels, including supervised testing, temporal transfer, and large-scale validation. On the 2020 test set held out, the best model, DeepLabV3 with a ResNet-34 encoder, achieves an IoU of 0.733 and an F1-score of 0.846. HNM substantially improves precision-recall behavior, increasing the area under the precision-recall curve from 0.204 to 0.913. Temporal inference further shows meaningful transferability, reaching IoU/F1 values of 0.751/0.858 on 2017/2018 and 0.691/0.817 on 2023. Large-scale validation further highlights the intrinsic difficulty of the task, as Christmas tree plantations occupied only a very small fraction of the extent of the common evaluation, corresponding to 1,498.4 ha (1.72\%) in 2017/2018 and 1,782.2 ha (2.04\%) in 2023 out of 87,309.4 ha in total.
• Abstract（参考訳）: クリスマスツリープランテーションは経済的に関係があるが、リモートセンシング(RS)におけるほとんど探索されていない応用分野である。 高い植林密度、短い回転周期、周囲の植生との視覚的混乱、基準年のみの高密度ラベルの入手、景観規模での厳密な階級不均衡などにより、デライン化は困難である。 深層学習(DL)法は植生マッピングに強い可能性を示しているが、既存のアプローチは一般的に森林、一般的なプランテーションシステム、果樹園向けに設計されており、クリスマスツリープランテーションを特徴付ける構造的特異性や難解な混乱に明示的に対処していない。 これらの課題に対応するために、この研究は3つの主要な貢献をしている。 (i)クリスマスツリーの植林図を、個別のレアターゲットセマンティックセマンティックセグメンテーション問題とみなす。 (II)混在する背景パターンに対する差別を改善するため,HNM(Hard Negative Mining)戦略を導入する。 提案手法は, 教師付きテスト, 時間移動, 大規模検証など, 相補的なレベルにまたがって評価される。 2020年の試験では、最高のモデルであるResNet-34エンコーダのDeepLabV3が0.733のIoUと0.846のF1スコアを達成した。 HNMは精度・リコールの挙動を大幅に改善し、精度・リコール曲線の下での面積を0.204から0.913に増やす。 2017/2018では0.751/0.858、2023年には0.691/0.817となる。 クリスマスツリーのプランテーションは、2017/2018年の1,498.4 ha (1.72\%)、2023年の87,309.4 haのうち1,782.2 ha (2.04\%) に相当する、共通の評価の範囲のごくわずかしか占めていない。

関連論文リスト

• PlantC2USeg: Cross-Scale Consistent Pre-Training for Few-Shot Unified Plant Point Cloud Segmentation [6.959027496658641]
  そこで我々は,空間規模にまたがる特徴の整合性学習を特徴とする深層移動学習フレームワークPlantC2USegを提案する。 このフレームワークは比較手法の中で、91.91%と94.62%の最高セマンティックIoUとインスタンスmWCovを達成している。 以上の結果から,PlanC2USegは分布シフトによる適応の全体的な労力を減らし,スケーラブルな植物表現型と移動可能な3D表現学習を可能にした。
  論文  参考訳（メタデータ） (2026-09-02T17:43:56Z)
• Calibrated Tree-Neural Fusion for Fine-Grained Vegetation Community Classification [5.365444289459681]
  Calibrated EcoTreeFuseNet-Plusはツリーニューラル確率融合フレームワークである。 提案したモデルでは精度0.8000、マクロF1スコア0.7768、バランス精度0.7903、MCC0.7903が達成された。 その結果,小さめ,きめ細かい生態分類のための信頼性の高い識別・校正トレードオフが示された。
  論文  参考訳（メタデータ） (2026-07-27T08:37:49Z)
• Decision-Path Patterns as Tree Reliability Signals: Path-based Adaptive Weighting for Random Forest Classification [0.9607593117607193]
  ランダムフォレストは、特徴空間の異なるランダム化された表現で各木を構築する。 彼らの一様投票は、誤った表現を持つ木が正しいものより多い地域では誤りを訂正できない。 本稿では,各木の決定経路の構造パターンをサンプルごとの信頼性信号として用いることを提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:15:09Z)
• 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)
• FORMSpoT: A Decade of Tree-Level, Country-Scale Forest Monitoring [40.631100826517375]
  森林キャノピーの高さを1.5mの解像度で全国で10年(2014-2024年)にわたってマッピングしたFOMSpoT(Forest Mapping with SPOT Time series)を紹介した。 異種買収におけるロバストな変更検出を可能にするため、我々は専用の後処理パイプラインを開発した。 乱れが小さく空間的に断片化された山岳林では、FOMSpoT-$$はF1スコアが0.44で、既存のベンチマークよりも桁違いに高い。
  論文  参考訳（メタデータ） (2025-12-18T19:35:09Z)
• 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)
• Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
  我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。 我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。 我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
  論文  参考訳（メタデータ） (2024-01-31T16:44:20Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• 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)
• 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)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。