Aprendizado de Segmentação de Copa de Árvore Baseada em Imagem a partir de Pseudorrótulos Aprimorados Baseados em Lidar

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

February 13, 2026

Autores: Julius Pesonen, Stefan Rua, Josef Taher, Niko Koivumäki, Xiaowei Yu, Eija Honkavaara

cs.AI

Resumo

O mapeamento de copas de árvores individuais é essencial para tarefas como a manutenção de inventários de árvores urbanas e o monitoramento da saúde das florestas, o que nos ajuda a compreender e cuidar do nosso ambiente. No entanto, a separação automática das copas umas das outras em imagens aéreas é um desafio devido a fatores como a textura e as sobreposições parciais das copas. Neste estudo, apresentamos um método para treinar modelos de aprendizagem profunda que segmentam e separam árvores individuais a partir de imagens RGB e multiespectrais, utilizando pseudoanotações derivadas de dados de varredura a laser aerotransportada (VLA). O nosso estudo demonstra que as pseudoanotações derivadas de VLA podem ser aprimoradas através da utilização de um modelo de segmentação de instâncias de disparo zero, o Segment Anything Model 2 (SAM 2). O nosso método oferece uma forma de obter anotações de treino específicas do domínio para modelos baseados em imagens óticas sem qualquer custo de anotação manual, resultando em modelos de segmentação que superam os modelos disponíveis que foram concebidos para implementação em domínio geral na mesma tarefa.

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.