Die Autoren des Fachgebietes Fernerkundung und Bildanalyse (Institut für Geodäsie) haben soeben den Artikel Is Your Training Data Really Ground Truth? A Quality Assessment of Manual Annotation for Individual Tree Crown Delineation in der Sonderausgabe AI Remote Sensing der Zeitschrift MDPI Remote Sensing veröffentlicht.

Um Waldbestände genau und automatisch zu kartieren, müssen wir Bäume in Satelliten- und Luftbildern erkennen. Für diese Aufgabe werden überwachte Deep-Learning-Modelle, auch bekannt als KI, verwendet. Um ein zuverlässiges Modell zu trainieren, benötigen Sie einen genauen Datensatz mit Baumkronen. Diese Trainingsdatensätze werden immer noch manuell erstellt. Dabei umkreist eine Person jede Baumkrone einzeln auf einem Satelliten- oder Luftbild. Baumkronen sind komplex, Wälder sind dicht, und die Bilder sind nicht detailliert genug, um manuelle Markierung zuverlässig zu machen. Manuell markierte Baumkronen repräsentieren wahrscheinlich nicht die wahren Verhältnisse. Wenn diese Markierungen als Trainingsdaten für Deep-Learning-Modelle verwendet werden, was häufig der Fall ist, können die Kartierungsergebnisse ungenau sein. In dieser Studie wird die Genauigkeit solcher manueller Baumkronenmarkierungen an zwei Standorten validiert: einer waldähnlichen Plantage auf einem Friedhof und einem natürlichen Stadtwald. Die Validierung basiert auf (1) Baumdaten aus dem amtlichen Baumkataster von Frankfurt am Main und (2) Drohnen-Laserscanning-Punktwolken, um die Qualität des Trainingsdatensatzes zu bewerten. Die manuellen Annotationen identifizierten nur 37% der Baumkronen in der waldähnlichen Plantage und nur 10% im Naturwald korrekt. Außerdem wurden an beiden Standorten oft mehrere Bäume als ein einziger markiert. Diese Arbeit zeigt die schlechte Qualität der üblicherweise in der KI-Forschung verwendeten Referenzdaten für die Erkennung einzelner Baumkronen.

Link zum Paper.