PalmProbNet: A Probabilistic Approach to Understanding Palm Distributions in Ecuadorian Tropical Forest via Transfer Learning

要約

ヤシの木は熱帯林で大きな役割を果たしており、人間と野生動物にとって重要な資源です。
熱帯生態系における中心的な問題は、ヤシの分布と豊かさを理解することです。
ただし、地理空間画像でヤシの木を正確に識別して位置を特定することは、密集した植生、重なり合う林冠、混合森林の景観における変動する照明条件により、重大な課題を伴います。
これに対処するために、転移学習を利用して高解像度の UAV 由来のオルソモザイク画像を分析する確率的アプローチである PalmProbNet を導入します。これにより、エクアドルの熱帯雨林の密集した林冠内のヤシの木の検出が可能になります。
このアプローチは、自動ヤシ検出における大幅な進歩を表し、混合熱帯雨林におけるヤシの存在と場所を効果的に正確に特定します。
私たちのプロセスは、UAV 画像からオルソモザイク画像を生成することから始まり、そこから手のひら画像パッチと非手のひら画像パッチを 2 つの異なるサイズで抽出してラベル付けします。
これらのパッチは、変更されていない事前トレーニング済み ResNet-18 と特別にトレーニングされたパラメーターを備えた多層パーセプトロン (MLP) で構成される同一のアーキテクチャでモデルをトレーニングするために使用されます。
その後、PalmProbNet はランドスケープ オルソモザイクにスライディング ウィンドウ手法を採用し、小さいウィンドウ サイズと大きいウィンドウ サイズの両方を使用して確率ヒートマップを生成します。
このヒートマップはヤシの分布を効果的に視覚化し、さまざまな森林密度におけるアプローチの拡張性と適応性を示しています。
困難な地形にもかかわらず、私たちの方法は顕著なパフォーマンスを示し、テストでは 97.32% の精度と 94.59% のコーエンのカッパを達成しました。

要約(オリジナル)

Palms play an outsized role in tropical forests and are important resources for humans and wildlife. A central question in tropical ecosystems is understanding palm distribution and abundance. However, accurately identifying and localizing palms in geospatial imagery presents significant challenges due to dense vegetation, overlapping canopies, and variable lighting conditions in mixed-forest landscapes. Addressing this, we introduce PalmProbNet, a probabilistic approach utilizing transfer learning to analyze high-resolution UAV-derived orthomosaic imagery, enabling the detection of palm trees within the dense canopy of the Ecuadorian Rainforest. This approach represents a substantial advancement in automated palm detection, effectively pinpointing palm presence and locality in mixed tropical rainforests. Our process begins by generating an orthomosaic image from UAV images, from which we extract and label palm and non-palm image patches in two distinct sizes. These patches are then used to train models with an identical architecture, consisting of an unaltered pre-trained ResNet-18 and a Multilayer Perceptron (MLP) with specifically trained parameters. Subsequently, PalmProbNet employs a sliding window technique on the landscape orthomosaic, using both small and large window sizes to generate a probability heatmap. This heatmap effectively visualizes the distribution of palms, showcasing the scalability and adaptability of our approach in various forest densities. Despite the challenging terrain, our method demonstrated remarkable performance, achieving an accuracy of 97.32% and a Cohen’s kappa of 94.59% in testing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google