基于航空森林影像的零样本树木检测与分割
计算机视觉与模式识别
2025-06-04 v1
摘要
从遥感影像中大规模勾勒单棵树木对推进生态研究至关重要，特别是随着气候变化和其他环境因素迅速改变全球森林景观。当前的 RGB 树木分割方法依赖于使用带标注的树木数据集训练专门的机器学习模型。尽管这些基于学习的方法在准确时能够优于人工数据收集，但现有模型仍依赖于难以扩展的训练数据。在本文中，我们研究了以零样本方式使用最先进的图像分割模型 Segment Anything Model 2 (SAM2) 进行单棵树木检测与分割的有效性。我们在该领域的两个任务上评估了预训练的 SAM2 模型：(1) 零样本分割和 (2) 通过使用现有树木检测模型的预测作为提示的零样本迁移。我们的结果表明，SAM2 不仅具有令人印象深刻的泛化能力，而且能够与在领域内标注数据上训练的专门方法形成自然的协同作用。我们发现，将大型预训练模型应用于遥感问题是未来进展的一个有前景的途径。我们在以下网址公开了代码：https://github.com/open-forest-observatory/tree-detection-framework。
引用
@article{arxiv.2506.03114,
title = {Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery},
author = {Michelle Chen and David Russell and Amritha Pallavoor and Derek Young and Jane Wu},
journal= {arXiv preprint arXiv:2506.03114},
year = {2025}
}
备注
Code: https://github.com/open-forest-observatory/tree-detection-framework