Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Federal University of Mato Grosso do Sul | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | University of Stirling | - |
Autor(es): dc.creator | Zamboni, Pedro | - |
Autor(es): dc.creator | Junior, José Marcato | - |
Autor(es): dc.creator | Silva, Jonathan de Andrade | - |
Autor(es): dc.creator | Miyoshi, Gabriela Takahashi | - |
Autor(es): dc.creator | Matsubara, Edson Takashi | - |
Autor(es): dc.creator | Nogueira, Keiller | - |
Autor(es): dc.creator | Gonçalves, Wesley Nunes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:25:12Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:25:12Z | - |
Data de envio: dc.date.issued | 2022-04-29 | - |
Data de envio: dc.date.issued | 2022-04-29 | - |
Data de envio: dc.date.issued | 2021-07-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/rs13132482 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/229100 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/229100 | - |
Descrição: dc.description | Urban forests contribute to maintaining livability and increase the resilience of cities in the face of population growth and climate change. Information about the geographical distribution of individual trees is essential for the proper management of these systems. RGB high-resolution aerial images have emerged as a cheap and efficient source of data, although detecting and mapping single trees in an urban environment is a challenging task. Thus, we propose the evaluation of novel methods for single tree crown detection, as most of these methods have not been investigated in remote sensing applications. A total of 21 methods were investigated, including anchor-based (one and two-stage) and anchor-free state-of-the-art deep-learning methods. We used two orthoimages divided into 220 non-overlapping patches of 512 × 512 pixels with a ground sample distance (GSD) of 10 cm. The orthoimages were manually annotated, and 3382 single tree crowns were identified as the ground-truth. Our findings show that the anchor-free detectors achieved the best average performance with an AP50 of 0.686. We observed that the two-stage anchor-based and anchor-free methods showed better performance for this task, emphasizing the FSAF, Double Heads, CARAFE, ATSS, and FoveaBox models. RetinaNet, which is currently commonly applied in remote sensing, did not show satisfactory performance, and Faster R-CNN had lower results than the best methods but with no statistically significant difference. Our findings contribute to a better understanding of the performance of novel deep-learning methods in remote sensing applications and could be used as an indicator of the most suitable methods in such applications. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Faculty of Engineering Architecture and Urbanism and Geography Federal University of Mato Grosso do Sul | - |
Descrição: dc.description | Faculty of Computer Science Federal University of Mato Grosso do Sul | - |
Descrição: dc.description | Department of Cartography São Paulo State University (UNESP) | - |
Descrição: dc.description | Computing Science and Mathematics Division Faculty of Natural Sciences University of Stirling | - |
Descrição: dc.description | Department of Cartography São Paulo State University (UNESP) | - |
Descrição: dc.description | CNPq: 303559/2019-5 | - |
Descrição: dc.description | CNPq: 304052/2019-1 | - |
Descrição: dc.description | CNPq: 433783/2018-4 | - |
Descrição: dc.description | CAPES: 88881.311850/2018-01 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Remote Sensing | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Convolutional neural network | - |
Palavras-chave: dc.subject | Object detection | - |
Palavras-chave: dc.subject | Remote sensing | - |
Título: dc.title | Benchmarking anchor-based and anchor-free state-of-the-art deep learning methods for individual tree detection in rgb high-resolution images | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: