三激光雷达25数据集，85%准确率夺冠，但跨源泛化从82%暴跌至36%！
Three LiDARs, Twenty-Five Datasets: Cross-Source Generalization in Tree-Species Recognition
📖 AI 总结
该研究基于目前最大的公开激光雷达树种分类基准FOR-species20K（汇集25个独立采集的地基、移动与机载扫描数据集，覆盖33个树种），提出一种多分辨率、多视角的ConvNeXtV2模型，将官方隐藏测试准确率从79.5%提升至85.0%，提交时排名第一。但作者进一步审视该分数的实际含义：隐藏测试按树种均衡，整体准确率更接近宏平均指标；官方随机划分使每个源数据集同时出现在训练与评估中，逻辑回归探针可从模型概率中以69%的准确率识别数据来源，几何特征在部分共有树种中识别来源的准确率超过90%，且33个树种中有18个仅出现在单一来源。在按来源—树种单元留出的评估设置下，无加权树种均值从82%降至36%，按树加权准确率从95%降至60%；计数匹配重训练与更换骨干网络的实验表明，这一差距不能仅由训练支持减少解释。研究据此指出，85%的榜单成绩反映的是较强的分布内性能，而非跨来源泛化能力的估计，呼吁采用均衡指标与来源感知的评估方式。
🔑 关键词速览
| FOR-species20K | 最大的公开激光雷达树种分类基准数据集，包含25个独立采集的数据集和33个树种。 |
| ConvNeXtV2 | 一种改进的卷积神经网络架构，用于图像分类任务，本文采用多分辨率多视角版本。 |
| 源-物种-单元留出 | 一种评估协议，将特定源数据集、物种和单元的组合作测试集，以评估模型在未见源上的泛化能力。 |
| 分布内性能 | 模型在训练数据分布相似的测试数据上的表现，通常高于分布外泛化性能。 |
| 源不相交泛化 | 模型在训练时未见过的新源数据集上的泛化能力，是评估跨源泛化的严格标准。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅