标签高效的 3D 森林制图：用于个体、结构与树种分析的自监督与迁移学习
计算机视觉与模式识别
2025-11-11 v1
摘要
单株树木级别的详细结构和树种信息对于支持精准林业、生物多样性保护以及为生物量和碳制图提供参考数据日益重要。来自机载和地面激光扫描的点云是目前最适合用于大规模快速获取此类信息的数据源。深度学习的最新进展改进了单株树木的分割与分类以及语义树木组件的识别。然而，深度学习模型通常需要大量标注训练数据，这限制了其进一步提升。为 3D 点云生成密集的高质量标注，尤其是在复杂的森林中，是一项费时费力且难以规模化的工作。我们探索了利用自监督和迁移学习架构来减少对大型标注数据集依赖的策略。我们的目标是在使用现实且可操作的训练集的情况下，提升三项任务的性能：实例分割、语义分割和树木分类。我们的研究结果表明，将自监督学习与领域适应相结合，与从零开始训练相比显著增强了实例分割（AP50 +16.98%）；自监督学习足以应对语义分割（mIoU +1.79%）；而分层迁移学习能够实现对未见树种的准确分类（Jaccard +6.07%）。为了简化使用并促进推广，我们将这些任务整合到一个统一框架中，精简了从原始点云到树木勾绘、结构分析和树种分类的流程。预训练模型使能耗和碳排放减少了约 21%。这一开源贡献旨在加速从激光扫描点云中业务化提取单株树木信息，以支持林业、生物多样性和碳制图。
引用
@article{arxiv.2511.06331,
title = {Label-Efficient 3D Forest Mapping: Self-Supervised and Transfer Learning for Individual, Structural, and Species Analysis},
author = {Aldino Rizaldy and Fabian Ewald Fassnacht and Ahmed Jamal Afifi and Hua Jiang and Richard Gloaguen and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2511.06331},
year = {2025}
}