향상된 라이다 기반 의사 레이블을 활용한 이미지 기반 수관 분할 학습

초록

개별 수관 매핑은 도시 나무 현황 유지 및 산림 건강 상태 모니터링과 같은 작업에 필수적이며, 이를 통해 환경을 이해하고 관리하는 데 도움이 됩니다. 그러나 항공 영상에서 수관을 자동으로 분리하는 것은 질감 및 부분적인 수관 중첩과 같은 요인으로 인해 어려운 과제입니다. 본 연구에서는 항공 레이저 스캐닝(ALS) 데이터에서 유래된 의사 레이블을 사용하여 RGB 및 다중분광 영상에서 개별 나무를 분할하고 구분하는 딥러닝 모델 훈련 방법을 제시합니다. 우리의 연구는 ALS 기반 의사 레이블이 제로샷 인스턴스 분할 모델인 Segment Anything Model 2(SAM 2)를 사용하여 향상될 수 있음을 보여줍니다. 본 방법은 수동 주석 비용 없이 광학 영상 기반 모델을 위한 도메인 특화 훈련 주석을 획득하는 방식을 제공하며, 동일 작업에 일반 도메인 배포를 목표로 한 기존 모델들을 능가하는 분할 모델로 이어집니다.

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.

향상된 라이다 기반 의사 레이블을 활용한 이미지 기반 수관 분할 학습

Learning Image-based Tree Crown Segmentation from Enhanced Lidar-based Pseudo-labels

초록

Support