論文の概要: WoodBR-Cross: A public wood-image dataset and individual-tree-disjoint benchmark for species identification
- arxiv url: http://arxiv.org/abs/2610.12676v1
- Date: Thu, 08 Oct 2026 19:57:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.26228
- Title: WoodBR-Cross: A public wood-image dataset and individual-tree-disjoint benchmark for species identification
- Title（参考訳）: WoodBR-Cross:種識別のための公開木像データセットと個別木像分離ベンチマーク
- Abstract要約: WoodBR-Crossは38の分類クラスで4,875個の横面画像を含んでいる。
結果は、このコレクションから以前見られなかった木の性能を推定する。
- 参考スコア（独自算出の注目度）: 35.67825183443163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wood-image benchmarks can yield optimistic estimates when images from the same tree occur in both training and test sets. WoodBR-Cross contains 4,875 transverse-surface images in 38 operational taxonomic classes, linked to 303 distinct trees identified by numeric catalogue witness codes (codigos-testemunho) in the Brazilian Forest Service collection. A species-level subset comprises 3,406 images, 20 classes and 214 trees. Three tasks compare duplicate-aware image partitions for all classes (A), image partitions for the species subset (B1), and individual-tree-disjoint partitions for that subset (B2). In B2, all images from each tree are kept together, so no tree is shared across training, validation or test within a fold. ResNet-50, ConvNeXt-Tiny and ViT-B/16 were evaluated with three outer folds, internal validation and five training seeds. Handcrafted and frozen-feature baselines complement border-only and randomized-label controls. Validation-selected ConvNeXt-Tiny achieved B2 tree-level macro-F1 of 0.8621 +/- 0.0317; frozen DINOv2 features yielded 0.9000 +/- 0.0722. Values are means and standard deviations across three seed-averaged fold means. Results estimate performance on previously unseen trees from this collection.
- Abstract（参考訳）: 木像のベンチマークは、トレーニングセットとテストセットの両方で同じ木からのイメージが発生した場合、楽観的な推定が得られる。
WoodBR-Crossは、ブラジル森林局(英語版)の収集した数値カタログ証書コード(英語版)(codigos-testemunho)で識別された303の異なる木に、38の分類クラスで4,875個の横面画像を含んでいる。
種レベルのサブセットは3,406のイメージ、20のクラス、214のツリーからなる。
3つのタスクは、すべてのクラス(A)の重複認識イメージパーティション、種別サブセット(B1)のイメージパーティション、そのサブセット(B2)の個々のツリー/ディスジョイントパーティションを比較する。
B2では、各ツリーからのすべてのイメージをまとめて保持するので、トレーニング、検証、あるいは1つのフォルダ内でのテストの間にツリーを共有しない。
ResNet-50, ConvNeXt-Tiny, ViT-B/16を3つの外側折り目, 内部検証, 5つの訓練種子で評価した。
手作り・凍結機能ベースラインは、境界限定とランダム化されたラベル制御を補完する。
バリデーション選択したConvNeXt-Tinyは0.8621 +/- 0.0317のB2ツリーレベルのマクロF1を達成し、凍結したDINOv2の特徴は0.9000 +/- 0.0722を得た。
価値は手段であり、平均的な3つの折り畳み手段の標準偏差である。
結果は、このコレクションから以前見られなかった木の性能を推定する。
関連論文リスト
- Latent Commonality Expectation-Maximisation for Box-supervised Tree Crown Instance Segmentation [6.765016710101182]
LACEは、0.1m/px空中RGBツリークラウン画像に基づいて評価されたボックス管理インスタンスセグメンテーションモデルである。
予測最大化を用いて、境界ボックス内の繰り返し外観である「ツリーネス」を周囲から分離する。
凍結した自己管理機能を利用することで、LACEはボックスのみから完全に監督された専門家のベースラインにマッチするか、超える。
論文 参考訳（メタデータ） (2026-09-22T15:05:31Z) - 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) - Estimating Individual Tree Height and Species from UAV Imagery [16.423929827492493]
BIRCH-Treesは,樹高を推定する最初のベンチマークであり,樹木中心のUAV画像から種を推定する。
また,視覚基礎モデル(VFM)のバックボーンとタスク固有の頭部を併用した統合的アプローチとしてDINOvTreeを提案する。
論文 参考訳（メタデータ） (2026-03-24T19:16:24Z) - 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) - TreeGrad-Ranker: Feature Ranking via $O(L)$-Time Gradients for Decision Trees [73.0940890296463]
確率値は、決定木の局所的な予測値を説明する特徴のランク付けに使用される。
TreeGradは、共同目的の多重線型拡張の勾配を$O(L)$時間で計算する。
TreeGrad-Rankerは、機能ランキングを生成するために共同目標を最適化しながら、勾配を集約する。
TreeGrad-Shapは、積分パラメータを持つベータシェープ値を計算するための数値的に安定なアルゴリズムである。
論文 参考訳（メタデータ） (2026-02-12T06:17:12Z) - Partition Trees: Conditional Density Estimation over General Outcome Spaces [46.1988967916659]
一般結果空間上での条件密度推定のための木に基づくフレームワークである分割木を提案する。
本手法は,データ適応分割における条件分布を一括一貫した密度としてモデル化し,条件付き負の対数関係を直接最小化して木を学習する。
論文 参考訳（メタデータ） (2026-02-03T22:12:30Z) - 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) - Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。
TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
論文 参考訳（メタデータ） (2025-07-10T17:59:58Z) - Lidar-based Norwegian tree species detection using deep learning [0.36651088217486427]
本稿では,ライダーデータのみを用いた深層学習に基づく木種分類モデルを提案する。
このモデルは、部分的な弱いラベルに対する焦点損失で訓練される。
本モデルでは,独立検証におけるマクロ平均F1スコア0.70を達成する。
論文 参考訳（メタデータ） (2023-11-10T14:01:05Z) - TreeFormer: a Semi-Supervised Transformer-based Framework for Tree
Counting from a Single High Resolution Image [6.789370732159176]
単一空中・衛星画像を用いた木密度推定と推定は,光度測定とリモートセンシングにおいて難しい課題である。
リモートセンシング画像に対する高価なツリーアノテーションを低減させる,ツリーカウントのための最初の半教師付きトランスフォーマーベースのフレームワークを提案する。
我々のモデルは、JiosuとYosemiteという2つのベンチマークツリーカウントデータセットと、彼ら自身が作成した新しいデータセットKCL-Londonで評価された。
論文 参考訳（メタデータ） (2023-07-12T12:19:36Z)
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。