用于航空语义分割与深度估计的森林巡检数据集
计算机视觉与模式识别
2024-03-12 v1 人工智能
摘要
人类利用无人机（UAV）监测森林环境的变化，因为它们重量轻并能提供多种多样的监视数据。然而，它们提供的信息缺乏理解场景所需的足够细节，而这对于评估毁林程度是必要的。深度学习算法必须在大量数据上进行训练才能输出准确的解释，但缺乏带有标注的森林图像真值记录。为了解决这个问题，我们引入了一个用于森林巡检的新大型航空数据集，其中包含自然环境的真实记录和虚拟记录，具有密集标注的语义分割标签和深度图，拍摄于不同的光照条件、各种高度和记录角度。我们测试了两种多尺度神经网络（HRNet 和 PointFlow 网络）在解决语义分割任务时的性能，研究了各种采集条件的影响以及从虚拟数据到真实数据的迁移学习能力。我们的结果表明，当在包含多种场景的数据集上进行训练时，能获得最佳结果，而不是将数据分为特定类别。我们还开发了一个框架来评估区域的毁林程度。
引用
@article{arxiv.2403.06621,
title = {Forest Inspection Dataset for Aerial Semantic Segmentation and Depth Estimation},
author = {Bianca-Cerasela-Zelia Blaga and Sergiu Nedevschi},
journal= {arXiv preprint arXiv:2403.06621},
year = {2024}
}