A deep learning-based mobile application for tree species mapping in RGB images
Notice bibliographique
Résumé
Tree species mapping is an important type of information demanded in different study fields. However, this task can be expensive and time-consuming, making it difficult to monitor extensive areas. Hence, automatic methods are required to optimize tree species mapping. Here, we propose a deep learning-based mobile application tool for tree species classification in high-spatial-resolution RGB images. Several deep learning architectures were evaluated, including mobile networks and traditional models. A total of 2,349 images were used, of which 1,174 images consisted of the Dipteryx alata species and 1,175 images of other local species. These images were manually annotated and randomly divided into training (70%), validation (20%), and testing (10%) subsets, considering the five-fold cross-validation. We evaluated the accuracy and speed (GPU and CPU) of all the implemented deep learning architectures. We found out that the traditional networks have the best performance in terms of F1 score; however, mobile networks are faster. Inception V3 model achieved the best accuracy (F1 score of 97.4%), and MobileNet the worst (F1 score of 83.84%). The MobileNet obtained the best classification speed for CPU (with a mean execution time of 102.8 ms) and GPU (72.4 ms) units. For comparison, Inception V3 achieved a mean execution time of 1058.3 ms for CPU and 634.5 ms for GPU. We conclude that the mobile application proposed can be successfully used to run mobile networks and traditional networks for image classification, but the balance between accuracy and execution time needs to be carefully assessed. This mobile app is a tool for researchers, policymakers, non-governmental organizations, and the general public who intends to assess the tree species, providing a GUI-based platform for non-programmers to access the capabilities of deep learning models in complex classification tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».