橡树脱叶的一种新型有序多视图聚合方案
计算机视觉与模式识别
2026-05-28 v1
摘要
由气候和生物因素引起的森林衰退威胁着生态系统功能，使得对树木健康状况的准确监测至关重要。本文将树木脱叶估计建模为一个有序分类问题，使用地面级图像。我们提出一种新型多视图集成框架，通过聚合来自不同树木视角（北侧、南侧和树冠）上训练的卷积神经网络（CNN）的预测来实现此目标。该方法利用互补视觉信息，同时通过统一的集成设计保持建模一致性。通过对多种有序分类方法进行比较并分析每种视图及其组合的贡献，进行了全面评估。结果表明，建模脱叶水平的有序结构比无序方法的性能更好，而提出的多视图集成 consistently 优于单视图和成对配置。特别是，三视图集成在所有评估指标上实现最具鲁棒性和准确性。这些发现凸显了深度学习（DL）、有序分类（OC）和多视图聚合在复杂生态系统（如地中海 dehesas）中实现可扩展、一致且客观的森林健康评估的潜力。
引用
@article{arxiv.2605.28151,
title = {A novel ordinal multi-view aggregation scheme for oak defoliation},
author = {Francisco Bérchez-Moreno and Ricardo Enrique Hernández-Lambraño and David Guijo-Rubio and Víctor Manuel Vargas and Francisco José Ruiz-Gómez and Juan Carlos Fernández and Pablo González-Moreno},
journal= {arXiv preprint arXiv:2605.28151},
year = {2026}
}