HyperAIHyperAI

Command Palette

Search for a command to run...

Eine kurze Analyse des iterativen Next-Boundary-Erkennungsnetzwerks für die Zonenlinienabgrenzung von Pinus taeda in Bildern

Marichal Henry ; Randall Gregory

Zusammenfassung

Diese Arbeit stellt das von Gillert et al. im CVPR-2023 vorgeschlagene INBD-Netzwerk vor und untersucht dessen Anwendung zur Abgrenzung von Baumringen in RGB-Bildern von Querschnitten der Pinus taeda, die mit einem Smartphone (UruDendro-Datensatz) aufgenommen wurden. Diese Bilder weisen andere Eigenschaften auf als die, die für die Trainierung der Methode verwendet wurden. Das INBD-Netzwerk arbeitet in zwei Phasen: Zunächst segmentiert es den Hintergrund, das Mark und die Ringgrenzen. Im zweiten Schritt wird das Bild in Polarkoordinaten transformiert, und die Ringgrenzen werden iterativ vom Mark bis zur Rinde segmentiert. Beide Phasen basieren auf der U-Net-Architektur. Die Methode erreicht auf dem Evaluationsdatensatz einen F-Score von 77,5, ein mAR von 0,540 und ein ARAND von 0,205. Der Code für die Experimente ist unter https://github.com/hmarichal93/mlbrief_inbd verfügbar.


KI mit KI entwickeln

Von der Idee bis zum Launch – beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und bestem GPU-Preis.

KI-gestütztes kollaboratives Programmieren
Sofort einsatzbereite GPUs
Die besten Preise

HyperAI Newsletters

Abonnieren Sie unsere neuesten Updates
Wir werden die neuesten Updates der Woche in Ihren Posteingang liefern um neun Uhr jeden Montagmorgen
Unterstützt von MailChimp
Eine kurze Analyse des iterativen Next-Boundary-Erkennungsnetzwerks für die Zonenlinienabgrenzung von Pinus taeda in Bildern | Paper | HyperAI