增强基于 YOLOv8 和可解释人工智能的树种分类：基于 TLS 点云投影的洞见

本文旨在推动基于 TLS 3D 点云的树种分类深度学习模型可解释性研究，呈现 YOLOv8 分类能力的若干洞见。我们提出了一种新框架，系统分析由 CAM（Class Activation Mapping）衍生的显著性图。为探讨结构树特征对模型分类决策的贡献，我们将应用 Finer-CAM 生成的高显著性区域与对应于结构树特征的 2D 侧视图图像片段关联。我们采用来自欧洲七种树种的 2445 棵树的 TLS 3D 点云数据，训练了五个采用交叉验证的 YOLOv8 模型，在测试数据上的平均准确率达到 96%（标准差 = 0.24%）。我们的结果表明，Finer-CAM 在识别判别目标树种的判别性区域方面具有可信度，这使其适用于增强树种分类模型的可解释性。对 630 张显著性图的分析表明，模型主要依赖与树冠相关的图像区域进行种类分类。当然，在银樟、欧洲胡桃、英枫和挪威松树方面，这一结果尤为明显；而在欧洲银杏、亚欧松和道格拉斯松树方面，与树干相关的图像区域更常用于区分。我们演示了在 2D 侧视图图像中呈现详细结构树特征的可见性会显著提升模型的判别性能，表明 YOLOv8 能够利用详细的点云表示。我们的结果代表了一种提升树种分类模型分类决策过程理解的第一步，有助于识别数据集和模型的局限性，并增强对模型预测的信心。