Imparare la Segmentazione delle Chiome degli Alberi basata su Immagini da Pseudo-etichette Lidar Migliorate
Learning Image-based Tree Crown Segmentation from Enhanced Lidar-based Pseudo-labels
February 13, 2026
Autori: Julius Pesonen, Stefan Rua, Josef Taher, Niko Koivumäki, Xiaowei Yu, Eija Honkavaara
cs.AI
Abstract
La mappatura delle chiome degli alberi individuali è fondamentale per attività come il mantenimento di inventari arborei urbani e il monitoraggio della salute delle foreste, che ci aiutano a comprendere e preservare il nostro ambiente. Tuttavia, la separazione automatica delle chiome nelle immagini aeree è complessa a causa di fattori come la texture e le sovrapposizioni parziali tra le chiome. In questo studio, presentiamo un metodo per addestrare modelli di deep learning che segmentano e separano alberi individuali da immagini RGB e multispettrali, utilizzando pseudo-etichette derivate da dati di scansione laser aerotrasportata (ALS). Il nostro studio dimostra che le pseudo-etichette derivate da ALS possono essere migliorate utilizzando un modello di segmentazione di istanze zero-shot, Segment Anything Model 2 (SAM 2). Il nostro metodo offre un modo per ottenere annotazioni di addestramento specifiche per il dominio per modelli basati su immagini ottiche senza alcun costo di annotazione manuale, portando a modelli di segmentazione che superano qualsiasi modello disponibile progettato per un impiego generico sulla stessa attività.
English
Mapping individual tree crowns is essential for tasks such as maintaining urban tree inventories and monitoring forest health, which help us understand and care for our environment. However, automatically separating the crowns from each other in aerial imagery is challenging due to factors such as the texture and partial tree crown overlaps. In this study, we present a method to train deep learning models that segment and separate individual trees from RGB and multispectral images, using pseudo-labels derived from aerial laser scanning (ALS) data. Our study shows that the ALS-derived pseudo-labels can be enhanced using a zero-shot instance segmentation model, Segment Anything Model 2 (SAM 2). Our method offers a way to obtain domain-specific training annotations for optical image-based models without any manual annotation cost, leading to segmentation models which outperform any available models which have been targeted for general domain deployment on the same task.