An app for tree trunk diameter estimation from coarse optical depth maps
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Trunk diameter is related to the overall health and level of carbon sequestration in a tree. Trunk diameter measurement, therefore, is a key task in both forest plot and urban settings. Unlike the traditional approach of manual measurement with a measuring tape or calipers, several recent approaches rely on sophisticated technologies such as LiDAR and time-of-flight cameras that provide fine-grain depth maps, which are used for depth-assisted image segmentation in downstream processing. These technologies are supported only on specialized devices or high-end smartphones. We present a mobile application that uses coarse-grain depth maps derived from an optical sensor, and so can be run on most common Android devices. Moreover, we use a state-of-the-art deep neural network to estimate trunk diameter from an image and its corresponding coarse depth map (RGB-D). We tested our app using a data set collected from four countries and under challenging conditions including occlusion, leaning trees, and irregular shapes and found that our algorithm has a MAE of 1.66 cm and an RMSE of 2.46 cm, which is comparable to accuracy from fine-grain depth maps. Moreover, diameter measurement using our app is >5 times faster than traditional manual surveying. • An AR- and AI-based app for all-in-one tree diameter estimation on entry-level smartphones. • App achieves a MAE of 1.66 cm, comparable to other high-end phone-based solutions. • Facilitates forest inventories by enabling near real-time, low-cost measurements. • Validated across diverse environments, showing robustness under various conditions. • App speeds up data collection, being 5 times faster than traditional methods.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle