SynthTree43k, CanaTree100

SynthTree43k包含43,000张合成图像和超过190,000个标注的树木，包括图像、训练、测试和验证分割。(84.6 GB)。CanaTree100包含100张真实图像和超过920个在加拿大森林中收集的标注树木，包括所有五个折叠的图像、训练、测试和验证分割。

SynthTree43k comprises 43,000 synthetic images and over 190,000 annotated trees, including image, training, testing, and validation splits (84.6 GB). CanaTree100 contains 100 real images and more than 920 annotated trees collected in Canadian forests, including images, training, testing, and validation splits across all five folds.

原始信息汇总

数据集概述

数据集名称及描述

1. SynthTree43k

   • 描述: 包含43,000张合成图像和超过190,000个标注的树。包括图像、训练、测试和验证分割。
   • 大小: 84.6 GB
   • 下载链接: S3存储

2. SynthTree43k (Depth images)

   • 描述: 深度图像。
   • 下载链接: OneDrive

3. CanaTree100

   • 描述: 包含100张真实图像和超过920个在加拿大森林中收集的标注树。包括所有五个折叠的图像、训练、测试和验证分割。
   • 下载链接: OneDrive

标注文件

• train_RGB_entire_tree.json
  • 下载链接: Google Drive
• val_RGB_entire_tree.json
  • 下载链接: Google Drive
• test_RGB_entire_tree.json
  • 下载链接: Google Drive

预训练模型

• Mask R-CNN trained on synthetic images (SynthTree43k)

  • 模型详情:
    • Backbone: R-50-FPN, R-101-FPN, X-101-FPN (RGB and Depth)
    • 性能指标: box AP50, mask AP50
    • 下载链接: Google Drive 等

• Mask R-CNN finetuned on real images (CanaTree100)

  • 模型详情:
    • Backbone: X-101-FPN
    • 描述: 在fold 01上训练，适合推理
    • 下载链接: Google Drive

演示

• Demo on a single image
  • 步骤: 下载预训练模型权重，保存于本地PercepTreeV1仓库的/output文件夹，配置demo_single_frame.py中的模型设置。
• Demo on video
  • 步骤: 下载预训练模型权重，保存于本地PercepTreeV1仓库的/output文件夹，配置demo_video.py中的模型设置。

搜集汇总

数据集介绍

构建方式

在精准林业领域，SynthTree43k和CanaTree100数据集的构建旨在推动深度学习技术在该领域的应用。SynthTree43k数据集通过合成技术生成，包含43,000张图像，并标注了超过190,000棵树，涵盖了训练、测试和验证集。CanaTree100则收集了100张真实森林图像，标注了920棵树，并提供了五折交叉验证的划分。

特点

SynthTree43k数据集的显著特点在于其大规模的合成图像和详尽的标注，为深度学习模型提供了丰富的训练数据。CanaTree100则以其真实图像和精细标注为特点，为模型在实际应用中的表现提供了验证依据。两者结合，既保证了模型的泛化能力，又提升了其在真实场景中的表现。

使用方法

使用SynthTree43k和CanaTree100数据集时，用户可下载包含图像和标注的完整数据包，并根据需求选择训练、测试或验证集。数据集与Detectron2框架兼容，提供了预训练模型和配置文件，用户可通过简单的脚本进行模型推理和性能评估。此外，数据集还支持多种模态的输入，如RGB和深度图像，以满足不同应用场景的需求。

背景与挑战

背景概述

SynthTree43k和CanaTree100数据集由Vincent Grondin及其团队创建，旨在推动深度学习在精准林业中的应用。这些数据集分别包含43,000张合成森林图像和100张真实加拿大森林图像，涵盖了超过190,000和920棵树的标注。核心研究问题集中在树的检测与直径估计，通过深度学习算法实现高效精准的林业管理。该研究不仅提升了森林资源管理的自动化水平，还为相关领域的技术发展提供了宝贵的数据支持。

当前挑战

SynthTree43k和CanaTree100数据集在构建过程中面临多项挑战。首先，合成图像与真实图像之间的域差异问题，尽管SynthTree43k在合成图像上表现优异，但如何有效迁移至真实场景仍是一个难题。其次，数据集的标注复杂性，尤其是树的完整标注可能导致检测性能下降。此外，如何在有限的计算资源下高效训练和验证模型，以及如何确保模型在不同环境下的泛化能力，都是当前研究中亟待解决的问题。

常用场景

经典使用场景

SynthTree43k和CanaTree100数据集在精准林业领域中扮演着至关重要的角色，尤其是在树木检测和直径估计方面。SynthTree43k通过提供43,000张合成图像和超过190,000个标注的树木，为深度学习算法提供了丰富的训练数据。这些数据集的经典使用场景包括训练和验证基于深度学习的树木检测模型，如Mask R-CNN，以实现高精度的树木定位和直径测量。

实际应用

在实际应用中，SynthTree43k和CanaTree100数据集被广泛用于开发和优化林业机器人和无人机系统。这些系统利用训练好的模型进行自动化的树木检测和测量，显著提高了森林资源管理的效率和精度。此外，这些数据集还支持森林健康监测、木材估算和生态研究等多个实际应用场景。

衍生相关工作

基于SynthTree43k和CanaTree100数据集，研究者们开发了多种先进的深度学习模型和算法，如Mask R-CNN的改进版本和多模态融合技术。这些工作不仅提升了树木检测的准确性，还推动了合成数据在实际应用中的有效性验证。相关研究成果已在多个国际会议上发表，并被广泛引用，进一步促进了精准林业技术的发展。