提升树种分类：YOLOv8与可解释人工智能应用于TLS点云投影的洞察

《Forestry: An International Journal of Forest Research》：Enhancing tree species classification: insights from YOLOv8 and explainable AI applied to TLS point cloud projections

　　

摘要

应用于地面激光扫描数据的基于深度学习的树种分类模型实现了高准确率，但其分类决策仍然难以理解。为弥补这一不足，我们提出了一种新颖的解释框架，该系统地将Finer-CAM显著性图中的显著区域——这些区域突出显示了有助于目标物种分类的图像特征，同时抑制了与相似物种共享的特征——与地面激光扫描（TLS）点云的二维侧视图像中的树木结构特征联系起来。我们使用基于YOLOv8的树种分类模型应用了这一框架，这些模型是在FOR-species20K基准数据集的子集上训练的。忠实度分析证实，Finer-CAM能够可靠地识别出对模型预测最具区分度的图像区域，验证了其在增强模型可解释性方面的适用性。对630张显著性图的分析表明，对于大多数物种，模型主要依赖于与树冠相关的图像区域，尤其是银白杨、欧洲山毛榉、英国栎和挪威云杉；而树干区域对欧洲白蜡树、苏格兰松和花旗松的区分贡献更为显著。图像扰动实验进一步表明，二维侧视图像中树木结构（如分枝模式）的可见性有助于提高分类性能，这表明YOLOv8能够有效利用高密度TLS点云中编码的详细结构信息。采用交叉验证方法，我们训练的模型在训练中未见过的测试数据集上达到了96%的平均总准确率（SD = 0.24%）。除评估与树木结构特征相关的图像区域对树种区分的贡献外，我们的方法框架还可以促进对模型局限性、数据集偏差和捷径学习的更好理解，并为建立对基于深度学习的树种分类器的信心做出贡献。

图形摘要

在新标签页中打开下载幻灯片