在本項先導研究中，我們開發了一個基于低空無人機影像的本地樹種機器學習實例分割模型，用于生態調查。該實例分割包括單株樹冠的描繪和樹種的分類。我們利用無人機影像對20個樹種及其對應的學名進行了訓練，并收集了這些樹種的學名用于機器學習。為了評估該機器學習模型的準確性，我們將半監督分割圖像與已部署的機器學習模型進行交叉比對。

介紹

樹種分割主要通過兩種方式實現：光譜反射模式分析和機器學習建模 (ML)。光譜特征分析是高光譜成像的常用方法，通過葉片色素反射率進行提取和分割。機器學習和建模方法則通過學習大規模數據集捕獲的模式。一般而言，光譜特征分析對傳感器的要求更高，因此高光譜相機的成本比機器學習方法更高。

無人機行業的快速發展促使林業遙感以超高光譜分辨率（約 5 毫米至 10 毫米地面采樣距離，GSD 可能隨著地形和飛行高度而變化）收集和捕獲數據。用于樹種識別和分割的機器學習可以成為比光譜反射模式分析更低成本的方法。同時，Meta 推出了一種全新的圖像分割方法，使用預先訓練的 CNN（卷積神經網絡）進行圖像分割，稱為 Segment-Anything 模型。然后，機器學習的數據準備現在變得更加容易和快速，以便進行深度學習定制。因此，在林業遙感中，用于樹種分類和??分割的機器學習已經成為一個更加以數據為中心的任務，而不是基于實地工作的任務。

我們結合低空無人機影像與機器學習，開發出一種利用深度學習模型即時分割影像的新方法。該模型涵蓋香港20個樹種，包括本地及外來樹種，例如臺灣相思、銀合歡、木麻黃和細葉榕。

機器學習模型用于加強香港鄉村及路邊的生態調查。將機器學習應用于光學遙感領域，可以量化和評估更多自然特征，豐富我們對路邊及鄉村生態概況的了解。

術語

實例分割

IBM 表示，實例分割是一項深度學習計算機視覺任務，可以預測圖像中每個單獨對象實例（目標類）的精確像素邊界。實例分割是圖像分割領域的一個子集，它比傳統的對象檢測算法提供更詳細的輸出。它結合了對象檢測和分割的過程。

機器學習

機器學習 (ML)