Att-Mask R-CNN: an individual tree crown instance segmentation method based on fused attention mechanism
Notice bibliographique
Résumé
Tree detection and canopy area measurement are important and difficult tasks in forest inventory, which are important for understanding forest stand structure. This study utilized remotely piloted aircraft (RPA) aerial photography technology to collect remote sensing images of forests in Xiong County, China, creating a dataset comprising 1200 images of six tree species. Based on this dataset, the paper proposes an optimized model, Att-Mask R-CNN, for canopy detection and segmentation. Att-Mask R-CNN outperforms the original models (Mask R-CNN and MS R-CNN) by achieving 65.29% mean average precision for detection, 80.44% mean intersection over union for segmentation, and 90.67% overall recognition rate for the six tree species. In addition, a pixel statistics method based on segmentation masks is introduced for estimating the vertical projected area of individual tree crowns, and comparisons between the measured and predicted vertical projected area of the crowns of six tree species (100 trees of each class) show an overall goodness-of-fit R2 of 85% and a relative root-mean-square error rRMSE of 12.81%. By using remote sensing images from RPAs and optimizing existing deep learning models, the detection and segmentation of individual tree canopies can be achieved, resulting in a more accurate understanding of forest structure, which provides scientific support for forest management and resource monitoring.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».