論文の概要: ForestQuery: Boundary-Aware and Spatially Anchored Query Learning for Unified Forest Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2610.03403v1
• Date: Fri, 02 Oct 2026 14:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.432164
• Title: ForestQuery: Boundary-Aware and Spatially Anchored Query Learning for Unified Forest Point Cloud Segmentation
• Title（参考訳）: ForestQuery: 統一されたフォレストポイントクラウドセグメンテーションのための境界認識と空間的アンチョレッドクエリ学習
• Abstract要約: 本研究では,フォレスト・ポイント・クラウド・セグメンテーションのための境界認識型・空間固定型問合せ学習フレームワークであるフォレスト・クエリを提案する。 ForestQueryは2つの補完的な設計を通じてインスタンスとセマンティックなクエリ学習を強化する。 実験は、森林の様々な場面において、個々の木の区分けと意味の区分けの両方において一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 6.8828410608086985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forest point cloud segmentation is fundamental for fine-grained 3D forest scene understanding, yet remains challenging due to irregular tree structures, severe occlusions, density variations, and ambiguous instance boundaries. Recent query-based forest segmentation methods have shown promise for unified semantic and instance prediction, but they still insufficiently exploit forest-specific spatial structure and account for boundary uncertainty. In this paper, we propose ForestQuery, a boundary-aware and spatially anchored query learning framework for unified forest point cloud segmentation. ForestQuery enhances instance and semantic query learning through two complementary designs. Specifically, boundary uncertainty is explicitly modeled to guide reliable instance query construction and modulate query optimization through adaptive loss reweighting. Meanwhile, spatially anchored semantic query enhancement (SA-SQE) introduces learnable 3D anchors encoding forest vertical stratification priors to enrich semantic queries with explicit spatial references. We evaluate ForestQuery on multiple public forest point cloud benchmarks and a self-collected annotated real-world dataset. Extensive experiments demonstrate consistent improvements in both individual-tree segmentation and semantic segmentation across diverse forest scenes. Code and data are publicly available at https://zhan994.github.io/ForestQuery
• Abstract（参考訳）: 森林点雲のセグメンテーションは、きめ細かい3次元の森の風景を理解するのに基本的であるが、不規則な木構造、厳密な閉塞、密度の変動、あいまいなインスタンス境界のために依然として困難である。 照準に基づく近年の森林分断手法は, 統合意味と事例予測の可能性を示唆しているが, 森林固有の空間構造を十分に活用できず, 境界の不確実性も考慮していない。 本稿では,フォレスト・クエリー(フォレスト・クエリ)を提案する。フォレスト・クエリー(フォレスト・クエリー)とは,フォレスト・ポイント・クラウド・セグメンテーションのための境界認識と空間固定型クエリー・ラーニング・フレームワークである。 ForestQueryは2つの補完的な設計を通じてインスタンスとセマンティックなクエリ学習を強化する。 具体的には、バウンダリの不確かさを明示的にモデル化し、信頼性の高いインスタンスクエリ構築をガイドし、適応的な損失再重み付けによってクエリ最適化を調整する。 一方、空間的アンカー付きセマンティッククエリエンハンスメント(SA-SQE)では、森林の垂直成層をコードする学習可能な3Dアンカーを導入し、明示的な空間参照を伴うセマンティッククエリを充実させる。 複数のパブリックフォレストポイントクラウドベンチマークと自己コンパイルしたアノテートされた実世界のデータセット上で、フォレストクエリを評価する。 広範にわたる実験は、森林の様々な場面において、個々の木の区分けと意味の区分けの両方において一貫した改善を示す。 コードとデータはhttps://zhan994.github.io/ForestQueryで公開されている。

関連論文リスト

• ForestMamba: Sparse Mamba with Geometry-guided Queries for 3D Forest Point Cloud Segmentation [9.432335594963956]
  ForestMambaは、フォレスト固有の事前情報を特徴符号化、クエリ生成、クエリ改善に組み込む構造認識手法である。 7つの森林地域での実験では、フォレストマンバは、両方のセグメンテーションタスクにおいて、既存のベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-06-01T01:49:09Z)
• Learning Order Forest for Qualitative-Attribute Data Clustering [52.612779710298526]
  本稿では,属性内定性値間の局所的な順序関係を柔軟に表現する木のような距離構造を探索する。 より適切な木構造とクラスタを反復的に獲得するために,共同学習機構を提案する。 実験により、共同学習は森林をクラスタリングタスクに適応させ、正確な結果を得ることを示した。
  論文  参考訳（メタデータ） (2026-03-03T07:49:50Z)
• 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)
• Mapping Semantic Segmentation to Point Clouds Using Structure from Motion for Forest Analysis [0.0]
  本研究では,森林環境のセマンティックな分節点雲を生成するための新しいパイプラインを提案する。 多様な森林景観のリアルなRGB画像とそれに対応するセマンティックセグメンテーションマスクを生成する。 結果として得られるポイントクラウドは、幾何学的および意味的な詳細の両方を提供し、ディープラーニングモデルをトレーニングし評価するための貴重なリソースを提供する。
  論文  参考訳（メタデータ） (2025-05-15T23:34:55Z)
• 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)
• Forest2Seq: Revitalizing Order Prior for Sequential Indoor Scene Synthesis [109.50718968215658]
  本研究では,屋内シーンの合成を順序認識型シーケンシャル学習問題として定式化するフレームワークであるフォレスト2Seqを提案する。 クラスタリングに基づくアルゴリズムと幅優先のアルゴリズムを用いることで、フォレスト2セックは意味のある順序付けを導き、トランスフォーマーを使用してリアルな3Dシーンを自動回帰的に生成する。
  論文  参考訳（メタデータ） (2024-07-07T14:32:53Z)
• FinnWoodlands Dataset [12.386304516106852]
  textitFinnsは、合計4226のオブジェクトを手動でアノテートし、そのうち2562のオブジェクトはツリートランクに対応する。 我々のデータセットは、環境の全体的表現が関係する林業のアプリケーションで利用することができる。
  論文  参考訳（メタデータ） (2023-04-03T08:28:13Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• 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。