Depth Any Canopy：利用深度基础模型进行冠层高度估算
计算机视觉与模式识别
2025-05-27 v1
摘要
估算全球树木冠层高度对于森林保护和气候变化应用至关重要。然而，使用激光雷达（LiDAR）获取高分辨率的地面真实冠层高度成本高昂，且无法覆盖全球。一种有效的替代方案是训练一个冠层高度估算器，使其能够基于单视角遥感影像进行工作。这种方法的主要障碍在于，这些方法需要大量的训练数据才能在全局范围及不常见的边缘案例中良好泛化。近期，单目深度估计基础模型即使在复杂场景下也展现出强大的零样本性能。本文中，我们利用这些模型学习到的表征，将其迁移到遥感领域以测量冠层高度。我们的研究结果表明，我们提出的 Depth Any Canopy——即针对冠层高度估算任务微调 Depth Anything v2 模型的结果——提供了一种高性能且高效的解决方案，仅使用一小部分计算资源和参数，就以优越或相当的性能超越了当前最先进的技术。此外，我们的方法计算成本低于 1.30 美元，估算碳足迹为 0.14 kgCO2。代码、实验结果和模型检查点已在 https://github.com/DarthReca/depth-any-canopy 上公开提供。
引用
@article{arxiv.2408.04523,
title = {Depth Any Canopy: Leveraging Depth Foundation Models for Canopy Height Estimation},
author = {Daniele Rege Cambrin and Isaac Corley and Paolo Garza},
journal= {arXiv preprint arXiv:2408.04523},
year = {2025}
}
备注
Accepted at ECCV 2024 CV4E Workshop