技術的概要：枯死木の検出とセグメンテーションのための双タスク学習

問題定義

立枯れ木の正確なマッピングは、森林の健全性の評価、生物多様性の監視、山火事リスクの軽減に不可欠である。しかし、既存の手法は、特に高密度の北方林において、高解像度の航空画像に適用される際に重大な限界に直面している。主な課題は以下の通りである：

• 高密度な樹冠構造： 重なり合う樹冠により、個々のインスタンスを分離することが困難である。
• スペクトルの重なり： 生きている植物と枯死した植物との間のスペクトル類似性（特に撹乱された生態系や季節的な生態系において）が、識別を妨げる。
• 過剰セグメンテーション誤差： 従来の深層学習モデルは、検出精度とセグメンテーションアーティファクトの生成とのバランスを取ることができず、信頼性の低いインスタンスの輪郭引きを招くことが多い。
• データの限界： 既存のデータセットは、スペクトルの豊かさ（例：近赤外バンド）や地理的多様性に欠けることが多く、また事前学習済みモデルは、スケールや視点の違いにより、高解像度の航空データへの汎化に苦労する。

手法

本研究は、木々のセグメンテーションを洗練させるために、深層学習と分水嶺アルゴリズムを統合するハイブリッド後処理フレームワークを提案する。このアプローチの中核は、インスタンスセグメンテーションと重心局所化のために設計された多タスク学習アーキテクチャであるTreeMort-3T-UNetである。

1. アーキテクチャ：TreeMort-3T-UNet

このモデルは、ImageNetで事前学習され、FLAIR-INCデータセット（RGB-NIR画像を含む）で微調整されたResNet-34エンコーダを採用している。このドメイン適応により、空間的および時間的なシフトに対する頑健性が確保される。アーキテクチャにはトリプル出力デコーダが備わっている：

• セグメンテーションヘッド： 枯死木の樹冠と背景を区別するバイナリマスクを予測する。
• 重心局所化ヘッド： 個々の枯死木の中心に対応するピークを持つガウス熱図を出力する。
• ハイブリッド SDT-境界ヘッド： 符号付き距離変換（SDT）を明示的な境界の手がかりと融合させたマップを生成する。境界ピクセルには -1 に近い値が割り当てられ、非境界ピクセルは +1 までの正規化された距離を表す。

アテンション機構： 自己アテンションモジュールがデコーダに統合されており、マルチスペクトル画像における微妙なスペクトル変化を区別するために不可欠な、関連する特徴マップを動的に強化し、背景ノイズを抑制する。

2. ハイブリッド損失関数

3 つの出力を共同で最適化するために、複合損失関数が使用される：

• セグメンテーション損失： 二値交差エントロピー（BCE）と Dice 損失の重み付き組み合わせ。
• 重心損失： 予測されたガウス熱図と真値のガウス熱図との間の偏差を罰する平均二乗誤差（MSE）。
• ハイブリッド SDT-境界損失： 非境界ピクセルに対する Smooth L1 損失と、クラス不均衡に対処するために境界ピクセル（目標値 -1）に対して重み付けされた L1 損失からなる回帰損失。
• 総損失： 個々の構成要素の重み付き和。

3. ハイブリッド後処理パイプライン

最終的なインスタンスセグメンテーションは、ネットワーク出力を融合する多段階の洗練プロセスを通じて達成される：

1. 初期洗練： セグメンテーションマスクに閾値を適用し、連結成分分析を通じて小さな偽の領域を除去する。
2. ハイブリッドフィルタリング： ハイブリッド SDT-境界マップに閾値を適用し、強い境界信号を欠く領域を抑制して、過剰セグメンテーションを軽減する。
3. 重心マーカー抽出： 重心熱図を平滑化し、個々の木のための種子として機能する局所最大値を検出する。
4. 分水嶺セグメンテーション： 平滑化された重心マップの負の値に対して分水嶺アルゴリズムを適用し、洗練されたバイナリマスクを制約として使用する。これにより、マスクが個々の木に対応する明確な領域に分割される。
5. オプションのベクトル化： ラベルは、楕円フィットまたは輪郭抽出を介してベクトル表現に変換できる。

主要な貢献

本論文は、主に 3 つの貢献を特定している：

1. 統合アーキテクチャ： 重なり合うオブジェクトとマルチスペクトルの変動に最適化され、インスタンスセグメンテーションと重心局所化を同時に実行する、ドメイン適応された ResNet-34 ベースのモデル。
2. 新規損失の組み合わせ： ピクセルレベルのセグメンテーションと正確な重心局所化のバランスを取りながらクラス不均衡を軽減するために、二値交差エントロピー、Dice、Focal、および平均二乗誤差損失を統合したもの。
3. 多段階洗練： 適応的閾値処理、重心誘導型強化、形態論的演算、および分水嶺セグメンテーションを組み合わせた後処理パイプラインにより、個々の木インスタンスを正確に輪郭引きする。

実験結果

このフレームワークは、フィンランドの北方林からの高解像度航空画像（0.25 m/ピクセル解像度、RGB-NIR バンド）で評価された。データセットには、125 枚の画像にわたる約 15,000 個のアノテーション付き枯死木ポリゴンが含まれていた。

性能指標：

• インスタンスレベルの精度： 提案手法は、平均木 IoU 0.3710を達成し、ベースラインの U-Net（0.2622）や他の最先端モデル（例：MaskFormer は 0.3503）よりも大幅に改善された。これはインスタンスレベルのセグメンテーション精度において41.5% の改善を表す。
• 局所化精度： 重心局所化誤差は3.70 ピクセルに低減され、ベースラインの U-Net（8.60 ピクセル）と比較して57% の削減となった。
• 再現率と F1 スコア： 本手法は再現率（U-Net の 0.4667 対 0.6687）と F1 スコア（0.4471 対 0.5895）を大幅に改善し、見逃された木インスタンスを回復する優れた能力を示している。
• 統計的有意性： 対検定により、ピクセル IoU および木 IoU の両方の改善が統計的に有意であることが確認された（p < 0.001）。

アブレーション研究：
本研究は、分水嶺セグメンテーションステップが最も影響力のある構成要素であることを示し、木 IoU を 0.3299 から 0.3689 に大幅に改善し、重心誤差を低減した。すべての後処理ステップの組み合わせが、最も優れた全体的な性能をもたらした。

意義と主張

著者らは、この研究が高度なリモートセンシング技術と実用的な森林管理のニーズの間のギャップを埋めると主張している。検出精度と過剰セグメンテーションアーティファクトの削減とのバランスを取ることで、この手法は個々の枯死木の正確な識別を可能にする。これは以下の点で重要である：

• 山火事リスク評価： 燃料の蓄積を特定する。
• 炭素貯蔵量の推定： 分解するバイオマスからの排出を追跡する。
• 精密林業： salvage 伐採（ salvage logging）や植林戦略のターゲット設定。

このフレームワークは計算効率が良く、大規模な地理的領域における全域的な木々の枯死マッピングなどのスケーラブルなアプリケーションをサポートすると説明されている。本研究は、大規模な生態系保全および気候回復力計画のためのツールの進歩として位置づけられており、複雑で高密度な植生環境における生態学的監視のための堅牢な解決策を提供する。