基于空中激光雷达点云的树状实例弱监督分割
计算机视觉与模式识别
2025-08-22 v1
摘要
空中激光扫描（ALS）数据的树木实例分割对于森林监测至关重要，但因传感器分辨率、植被状态、地形特征等因素导致数据存在变异性。此外，获取足够精确标注数据以训练完全监督实例分割方法成本昂贵。为此，我们提出一种弱监督方法：提供由非微调模型或闭形式算法获得的初始分割结果作为人工操作员的质量评估标签。随后利用这些标签训练评级模型，其任务是将分割输出分类为人工操作员指定的同一类别。最后，使用评级模型的反馈微调分割模型。该方法使原始分割模型在正确识别树木实例方面提升34%，显著减少非树木实例的预测。但在树木矮小（低于2米）或含有灌木、岩石等复杂环境的稀疏林地，性能仍受影响。
引用
@article{arxiv.2508.15646,
title = {Weakly-Supervised Learning for Tree Instances Segmentation in Airborne Lidar Point Clouds},
author = {Swann Emilien Céleste Destouches and Jesse Lahaye and Laurent Valentin Jospin and Jan Skaloud},
journal= {arXiv preprint arXiv:2508.15646},
year = {2025}
}
备注
8 pages, 9 figures