Slide 1

Slide 1 text

Individual tree crown delineation in high resolution aerial RGB imagery
 using StarDist-based model
 
 文山草
 1 第7回 SatAI.challenge勉強会


Slide 2

Slide 2 text

目次 
 2 ● 発表者紹介スライド
 ● 研究の1ページサマリ紹介 
 ● 研究の背景(Introduction) 
 ● 手法について(Method) 
 ● 実験(Experiment)
 ● 結論(Conclusion)


Slide 3

Slide 3 text

3 発表者紹介 This image was generated by ChatGPT

Slide 4

Slide 4 text

文山 草 所属:メーカー研究職 業務:都市・交通領域での空間情報に関する研究・事業創生  自己紹介 4 その他取り組み:
 ● 学部) 渋滞とデータ同化に関する研究、修士 ) 衛星夜間光の補正に関する研究 ● GIS×AI Agentの開発 (位置Biz、Plateau Award 2024) ● カメラ映像からの人流デジタルツイン生成 PJ (未踏Adv 2023) ● 衛星画像を用いた港湾物流向けソリューション開発  (NEDO 2022) 


Slide 5

Slide 5 text

5 論文紹介 This image was generated by ChatGPT

Slide 6

Slide 6 text

Individual tree crown delineation in high resolution aerial RGB imagery 
 using StarDist-based model 
 6 ● 高解像度航空RGB画像(15cm解像度)を用い、混合林環境における個々の樹冠を自動的に抽出するための新し いStarDistベースの手法を提案 
 ● 樹冠の形状をより正確に捉えるため、星状凸多角形を用いたオブジェクト抽出手法に、樹冠の特性を考慮した 損失関数や後処理手法を採用 
 ● 既往手法に比べ樹冠抽出精度が向上 
 高解像度リモートセンシング画像から個々の樹冠を精度良く抽出する手法を提案 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用

Slide 7

Slide 7 text

Intro : 樹冠抽出の重要性と難しさ 
 7 ● 個々の樹冠抽出は、森林管理やバイオマス評価等において重要 
 ● しかし、特に複雑な混合林では重なり合う樹冠が抽出の妨げとなっている 
 
 ● 既往研究は伝統的な手法と深層学習ベースの手法があるが、いずれも混合林への応用は課題がある 
 ○ 伝統的な手法の課題 
 ■ 木の影や梢などの観測が容易でない特徴や、単純林を前提 
 ○ 深層学習ベースの手法の課題 
 ■ 最適なハイパラの設定や、複雑な樹冠形状の正確な抽出 
 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 既往手法による抽出例 


Slide 8

Slide 8 text

Method : Stardist 
 8 ● 丸みを帯びた形状を精密に捉えるために、オブジェクト(樹冠)を星状凸多角形で近似し抽出する手法 
 ○ 細胞核の抽出を目的に発展 
 ● オブジェクト存在の確率と、あらかじめ定義された複数方向における境界までの距離を予測する 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 Stardistのイメージ


Slide 9

Slide 9 text

Method : Stardist 
 9 ● U-Netアーキテクチャを採用し、入力画像タイルから各画素ごとにオブジェクトの存在確率と、各方向の境界まで の距離を同時に出力する 
 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 アーキテクチャ


Slide 10

Slide 10 text

Method : 工夫 
 10 ● 工夫1)オブジェクトの存在確率pが0より大きいところだけで損失関数を評価する 
 ○ 背景と樹冠の混同を防ぐ 
 ○ 樹冠の一部しかアノテーションされていない場合でも学習がうまくいくようにするため 
 ● 工夫2)オブジェクトの存在確率とIoUを用いて、重なりが大きい冗長な樹冠抽出結果を排除 
 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 工夫2の概要
 オブジェクト存在確率(提案手法) Stardistによる抽出
    インプット  オブジェクト存在確率(既往手法)


Slide 11

Slide 11 text

Experiment : データ 
 11 ● カナダの混合林データを対象に実験を実施。支配的な樹種は7つ 
 ● 15cm解像度のRGB航空写真を使用 
 ● アノテーション…トレーニング:樹冠1514本、テスト:1135本+652本 
 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 Study Area


Slide 12

Slide 12 text

Experiment : 結果 
 12 ● 既往手法に比べて重なりや形のいびつさが解消 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 結果の既往手法との比較 


Slide 13

Slide 13 text

Experiment : 結果 
 13 ● メトリクス上でも改善が見られる 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 n:検出できた本数
 N:真の本数


Slide 14

Slide 14 text

Experiment : 結果 
 14 ● 樹冠面積の真値と予測値にも、高い相関が見られた 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用 真値と予測値のプロットとピクセル数の差分 


Slide 15

Slide 15 text

Experiment : 結果 
 15 ● 解像度を変化させた場合、60cmまで低下させると一気に精度指標が悪化する 
 ● 30cmの場合は、15cmに対する既往手法の結果と遜色ないケースも有る 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用

Slide 16

Slide 16 text

サマリ
 16 ● 高解像度航空RGB画像(15cm解像度)を用い、混合林環境における個々の樹冠を自動的に抽出するための新し いStarDistベースの手法を提案。 
 ● 樹冠の形状をより正確に捉えるため、星状凸多角形を用いたオブジェクト抽出手法に、樹冠の特性を考慮した 損失関数や後処理手法を採用。 
 ● 既往手法に比べ樹冠抽出精度が向上。感度分析では高解像度衛星画像(30cm)への適用可能性にも示唆。 
 ● 今後はハイパースペクトルの活用によるさらなる改善が期待される。 
 
 高解像度リモートセンシング画像から個々の樹冠を精度良く抽出する手法を提案 
 Fei Tung & Yun Zhang, (2025), ”Individual tree crown delineation in high resolution aerial RGB imagery using StarDist-based model”, Remote Sensing of Environment. より引用

Slide 17

Slide 17 text

17 ディスカッション This image was generated by ChatGPT

Slide 18

Slide 18 text

ディスカッション 
 18 【この論文の内容に対して気になり点】 
 ● 航空画像と衛星画像の転移可能性 
 ● Stardistでの中心の決めかた 
 
 【メタな話】
 ● Satellite×AIの研究はどこからくる? 
 ○ Techの進化
 ■ ソフト (新しいモデル、手法) 
 ■ ハード (新しい衛星) 
 ○ 対象・問題の深化 
 
 ● Satellite×AIに近いドメインはなにか? 
 ○ 今回の論文のように医療分野は学べる点が多そう 
 ■ Stardist, U-Net…
 ○ タスクの類似性・分野のアクティブさ・人口の多さ