OAM-TCD: A globally diverse dataset of high-resolution tree cover maps

精准地量化树木覆盖是生态系统监测和评估恢复场地进展的重要指标。最近的研究表明，基于深度学习的分割算法可以利用高分辨率航空和卫星影像在国家和大陆范围内准确地绘制树木。在高分辨率（理想情况下为亚米级）下进行绘制是识别单个树木的必要条件，但是很少有包含实例级注释的开放访问数据集，而现有的数据集规模较小或地理上不够多样化。本文提出了一个新颖的开放访问数据集，用于高分辨率航空影像中的单个树冠描绘（TCD），数据集来源于OpenAerialMap（OAM）。我们的数据集OAM-TCD包括5072张2048x2048像素的图像，分辨率为10厘米/像素，涵盖了超过280,000个单个树木和56,000个树木群的人工标注实例掩模。通过从世界各地采样图像，我们能够更好地捕捉不同陆地生物群落和城市自然环境中树木的多样性和形态。利用我们的数据集，我们训练了参考实例和语义分割模型，这些模型与现有的最先进模型相比表现出色。我们通过k-fold交叉验证和与现有数据集的比较来评估性能；此外，我们在瑞士捕获的独立航空影像上展示了令人信服的结果，并将其与苏黎世市的市政树木清单和LIDAR衍生的树冠地图进行了比较。我们的数据集、模型和训练/基准代码在知识共享许可证（主要为CC BY 4.0）和Apache 2.0下公开发布。

解决问题：本论文旨在解决通过深度学习技术对高分辨率航空图像进行单树冠分割的问题，提供一个新的、开放的数据集，并且训练出参考实例和语义分割模型。

关键思路：本论文的关键思路是通过使用高分辨率的航空图像，结合深度学习技术，训练出一个能够准确识别单树冠的模型，并且提供一个新的、开放的数据集，以便更好地捕捉不同生态系统中树木的多样性和形态。

其他亮点：本论文提供了一个名为OAM-TCD的新的、开放的数据集，包含来自世界各地的5072张2048x2048像素图像，用于标注超过280k个单树冠和56k个树冠群。研究人员使用该数据集训练出参考实例和语义分割模型，并通过k-fold交叉验证和与现有数据集的比较来评估性能。实验结果表明，该模型具有较好的性能，并且能够在瑞士的独立航空图像上展现出令人信服的结果。此外，论文还公开了代码和模型。

相关研究：最近在该领域的其他相关研究包括“DeepGlobe Land Cover Classification with OpenStreetMap”和“Mapping Tree Crowns in Tropical Forests using Structure from Motion Photogrammetry and Deep Learning”。