Resumo Técnico: SelectAnyTree

Declaração do Problema

A segmentação de instância automatizada de nuvens de pontos LiDAR de florestas 3D é essencial para o monitoramento florestal escalável, estimativa de biomassa e análise ecológica. No entanto, o progresso é dificultado pela escassez de dados rotulados para instâncias de árvores individuais. A anotação manual é laboriosa devido aos milhões de pontos e copas complexas e sobrepostas em um único hectare. Além disso, os métodos de estado da arte existentes (por exemplo, ForestFormer3D, ForestMamba) operam em um modo totalmente automático e de passagem única que segmenta todas as árvores simultaneamente. Esse design carece de mecanismos para que os usuários selecionem árvores de interesse específicas ou corrijam erros interativamente em dosséis densos e multicamadas onde modelos automáticos frequentemente falham. Embora existam modelos de segmentação baseados em prompts para imagens 2D e objetos 3D genéricos (ex: SAM, Point-SAM), eles não são otimizados para as características estruturais específicas de cenas florestais, como a esparsidade de grande escala, a organização vertical solo-dossel e as copas altamente emaranhadas.

Metodologia: SelectAnyTree

Os autores propõem o SelectAnyTree, um modelo de segmentação de instância baseados em prompts projetado especificamente para LiDAR florestal 3D. O modelo permite que os usuários selecionem e delineiem qualquer árvore individual usando poucos cliques, enquanto também suporta a correção interativa de erros. O pipeline consiste em quatro estágios principais:

1. Codificador de Cena 3D: A nuvem de pontos de entrada é voxelizada e processada uma única vez por um codificador esparso (baseado em modelos de espaço de estados) para gerar recursos de voxel reutilizáveis. Um ramo auxiliar prevê logits de árvore/não-árvore e embeddings discriminativos de instância para manter a integridade do backbone durante o treinamento.
2. Codificador de Prompt: Este componente converte um conjunto de cliques do usuário (positivos ou negativos) em uma única consulta de conteúdo (content query). Ele funde três elementos:
   • Âncora Geométrica: Um recurso de backbone local agrupado de um cilindro ao redor dos cliques positivos, capturando o contexto local da copa.
   • Codificação Posicional e de Rótulo: As coordenadas dos cliques normalizadas e a polaridade (positivo/negativo) são codificadas usando codificação de Fourier aleatória e um embedding aprendido.
   • Agregação com Sinal: Os tokens de clique são combinados via média com sinal, onde os cliques positivos puxam a consulta em direção ao alvo e os cliques negativos a afastam.
     A consulta final é uma projeção linear dos tokens agregados adicionada à âncora geométrica.
3. Decodificador de Consulta: Um decodificador de consulta de espaço de estados (utilizando complexidade de tempo linear) recebe a consulta de prompt e os recursos de voxel em cache. Ele refina iterativamente a consulta através de agregação $k$-vizinhos mais próximos local e modelagem de espaço de estados para prever uma máscara de resolução de voxel e uma pontuação de objetividade. A máscara é então mapeada de volta para a nuvem de pontos original.
4. Primeiro Prompt Guiado pelo CHM e Rollout Interativo:
   • Prompt CHM: Para unir os modos automático e interativo, o modelo opcionalmente utiliza o topo da árvore do Modelo de Altura do Dossel (CHM) como um primeiro prompt "gratuito". Este prompt guiado pela geometria consiste em um clique positivo no pico do topo da árvore e outro no interior do tronco, não exigindo entrada do usuário.
   • Rollout Compartilhado: Tanto o treinamento quanto a avaliação utilizam um "rollout de simulação de clique interativo" idêntico. Partindo de uma máscara de verdade de campo (ground-truth), o sistema simula correções do usuário amostrando cliques de regiões de falsos-negativos (omitidos) ou falsos-positivos (vazamentos). Isso garante que o objetivo de otimização corresponda exatamente ao protocolo de avaliação.

Principais Contribuições

• Modelo SelectAnyTree: O primeiro modelo de segmentação de instância baseado em prompts adaptado para LiDAR florestal 3D, permitindo que os usuários selecionem e refinem árvores individuais com poucos cliques e corrijam erros em dosséis densos sem retreinamento.
• Arquitetura Consciente da Floresta:
  • Um codificador de prompt leve que funde posição de clique, polaridade e recursos locais do backbone em uma única consulta, desambiguando efetivamente árvores em canopies emaranhadas.
  • Integração do topo do CHM como um primeiro prompt de custo zero e guiado pela geometria que ancora o processo de segmentação.
• Treinamento e Avaliação Consistentes: Adoção de um rollout de simulação de clique interativo compartilhado para treinamento e teste, garantindo que o modelo seja otimizado para a tarefa específica de refinamento interativo.
• Eficiência: O modelo codifica a cena uma vez e reutiliza os recursos para todos os prompts, permitindo a seleção eficiente de múltiplas árvores com complexidade de tempo linear.

Resultados Experimentais

O modelo foi avaliado no benchmark FOR-instanceV2 (sete regiões florestais diversas) e em um conjunto de dados independente mantido fora do treinamento (LAUTx).

• Desempenho Interativo: O SelectAnyTree alcançou 78.2 de IoU com um único clique do usuário, superando o baseline de prompt mais forte (Point-SAM) em 24.8 pontos. Ele atingiu todos os alvos de precisão (IoU 0.7, 0.8, 0.9) com o menor número de cliques em comparação aos baselines.
• Generalização: O modelo demonstrou forte generalização para o conjunto de dados não visto LAUTx, mantendo alta precisão de clique único e baixo número de cliques, enquanto outros baselines de prompt degradaram significativamente.
• Eficiência: O SelectAnyTree é o modelo mais compacto (19.4M de parâmetros) e o mais rápido. Ele processa 640k pontos por patch (vs. 20k–40k para os baselines) e completa uma sessão de 5 cliques em 549 ms, o que é mais de 4x mais rápido que o próximo baseline mais rápido e 16x mais rápido que o Point-SAM. Ele também utiliza significativamente menos memória de GPU (1.9 GB vs. 22.4 GB para o Point-SAM).
• Configuração de Zero-Clique: Quando os prompts foram amostrados automaticamente por grade (configuração de zero-clique), o SelectAnyTree alcançou a melhor Precisão e F1 entre os métodos de prompt, embora tenha ficado atrás de modelos especializados totalmente automáticos (ex: ForestMamba), como esperado.

Significância e Alegações

O artigo afirma que o SelectAnyTree aborda a limitação fundamental da inteligência florestal atual: a falta de controle humano e o alto custo de anotação. Ao trazer o paradigma "segment anything" para as florestas 3D, ele possibilita:

1. Anotação Interativa: Usuários podem selecionar árvores específicas ou corrigir erros em canopies densos sem processar toda a cena ou retreinar o modelo.
2. Eficiência de Rótulos: A capacidade de gerar máscaras de alta qualidade a partir de poucos cliques reduz a carga de trabalho para a criação de dados de verdade de campo para tarefas downstream, como classificação de espécies e estimativa de biomassa.
3. Escalabilidade: A eficiência do modelo e sua capacidade de generalização através de diversos tipos de florestas sugerem que ele pode suportar esforços de geração de rótulos em larga escala, potencialmente eliminando o gargalo de rotulagem que atualmente restringe o monitoramento florestal baseado em LiDAR.

Os autores reconhecem limitações, observando que o prompt do topo da árvore dependente do CHM pode ser menos confiável em canopies extremamente densas e multicamadas onde a previsão de voxel da árvore degrada, e que parâmetros alométricos fixos podem não se transferir perfeitamente para todos os tipos de floresta. Trabalhos futuros incluem explorar tipos de prompts mais ricos (caixas, rabiscos) e pré-treinamento em larga escala.