（1）赛道背景

树冠在森林环境的生物活动中起着至关重要的作用，其存在与结构对森林的温度、蒸汽浓度和辐射状况有着重要影响。对于单株树木而言，位置、尺寸、形态均为影响树冠功能的重要结构特征。因此，基于遥感影像进行单木分割并提取其结构特征与树冠已在近两年成为成为了林业遥感领域中的重要课题。国际摄影测量与遥感协会(Internetional Society of Photogrametry and Remote Sensing, ISPRS)的单木树冠(ITC)分割国际赛道致力于对现有的不同方法进行基准研究(benchmarking study)，并理清基于高分辨率对地观测遥感影像的最优单木分割方法。

参赛者将利用主办方提供的高分辨率对地观测影像和单木树冠掩膜标注建立模型，并利用该模型从高分辨率影像中自动分割出单木树冠。赛事主办方将利用标准化流程对参赛者提交的单木树冠分割结果进行测试与评估。主办方将对所有成果进行分析并公开结论，揭示该技术的最新进展与面临的挑战。

（2）赛道任务

单木分割赛道的任务包括:

(1) 实现单木树冠分割。参赛者需使用自己的自动化方法从主办方提供的高分辨率遥感影像中提取出覆盖单木树冠范围的掩膜。

(2) 撰写方法说明文档。参赛者需要提交说明文档，对其应用的方法进行描述，包括文字描述、方法流程或模型结构示意图的。若方法仍未发表，其文字描述需包括对方法的详细描述（如：1至2页A4纸的篇幅），供主办方了解其工作。若方法已被发表，请提供参考信息及简短的方法描述（如：1页A4纸篇幅）。所有方法描述将用于赛道成果的论文联合发表。在评审阶段，主办方可能会要求参赛者提供更加详细的信息。

(3) 提交最终结果。其中包括单木分割结果文件和方法描述文件。若未提交充分的方法描述，其成果将无法在大赛中参与评奖。

（3）数据简介

(1) 概述：训练和测试数据从世界各地收集而来，包含了多种森林类型，且由多种传感器采集。不同的森林类型、条件、位置和传感器，旨在提升模型的迁移效果。图1展示了在不同时间、地点、由不同传感器获取的两幅影像及其标注。

图1. 示例影像及其单木掩膜标注

本赛道提供的数据可用于模型的训练和开发，其中包括：高分辨率遥感影像和单木树冠掩膜标注。

(2) 格式：

a. 影像数据：影像格式为“.png”，包含红、绿、蓝三种波段。

b. 注释：单木树冠掩膜都存储在“.Json”格式文件中，并且以MS COCO格式组织。单木树冠掩模的坐标参照的是影像坐标系，均被记录在标注文件中。

(3) 构成：数据集由训练集、验证集、测试集构成。训练和验证集包含从世界各地收集而来的影像数据，其中训练集将在比赛进程中持续更新和增加。测试集既包含与训练集相同场景的数据，也包含来自其他地区不同场景的数据，用于评估方法的迁移效果。

数据集更新包括：

· 更新Dataset_1及Dataset_2，增加了训练数据量；

· 发布三组新数据Dataset_3、Dataset_4、Dataset_5；

· 影像尺寸均为为像素；

· Dataset_1：影像分辨率为2cm，包括1691张训练影像；

· Dataset_2：影像分辨率为10cm，包括331张训练影像；

· Dataset_3：影像分辨率为4.5cm，包括1200张训练影像，275张验证影像；

· Dataset_4：影像分辨率为10cm，包括400张训练影像，100张验证影像；

· Dataset_5：影像分辨率为2cm，包括1721张训练影像，441张验证影像；

· 提供validation_img_id.json文件，为每张验证影像指定id。参赛者需基于id生成预测结果，用于精度验证。

样例代码

· 示例代码可实现单木分割模型训练、验证与测试，可作为参赛者开发自己单木分割方法的参考

· 样例代码利用Mask R-CNN(He et al., 2017)实现单木树冠分割。输入数据为PNG影像以及用MS COCO Format格式存储的标注数据。该程序输出的单木树冠掩膜预测结果以MS COCO Format格式存储

· 样例代码基于Facebook AI Research开发的Detectron2(Wu et al., 2019)编写。Detectron2提供了基于Mask R-CNN的实例分割算法开发库

· 代码运行可参考README.md

(4) 用途：在本项目进行联合发表之前，参赛者不得使用比赛数据发表自己的研究成果。比赛数据将在论文联合发表后作为开放数据进行发布，供非商业目的的应用。

(4) 提交

提交的预测结果应存储在”. json”格式的文件，应遵照MS COCO的评述格式进行数据组织。有关MS COCO格式的更多信息，请浏览他们的网站(https\://cocodataset.org/\#home)。

(1) 结果提交：本赛道分为两个阶段，不同阶段的提交内容有所不同，详细内容如下：

a. 第一阶段：验证结果

训练和验证数据将在比赛开始时发布。参赛者可在该阶段多次提交验证数据的预测结果并获得精度反馈，可根据精度结果不断优化模型。本阶段非强制参加。

b. 第二阶段：测试结果+方法说明

测试数据将在比赛截止前的最后一周公布，因此参赛者将有一周时间利用基于训练和验证数据建立的方法处理测试数据。本赛道的最终排名将根据测试结果而定。同时，请提交方法说明文件，该文件应为word文档，并需在其中注明参赛者的真实名与单位。请确保方法描述足以使赛事主办方理解其中的工作，否则该成果可能会被移出最终排名。若在本阶段多次提交成果，将保留最新的版本进行评估。

(2) 提交样例

results.zip

——results

————results.json

(3) 补充材料：如有需要，参加者可提交补充资料。补充材料为非必要材料，不一定会在最终报告和联合发表的论文中出现。

(5) 评价

组织者将基于地面真值和同一测评方式对参赛者的算法进行评估与对比。

(1) 策略：评估将考虑两个方面:

a. 单木树冠实例分割结果的准确性。

b. 模型在多种场景下的泛化能力和迁移能力。

(2) 指标：如果预测结果与基础真值的重叠(Intersection of Union, IoU)满足一定阈值（如：50%，75%），该预测结果将被认定为正例。因此，评价指标包括精度(Precision)、召回率(Recall)、平均精度(AP50, AP75)。

(6) 联合发表

所有提供良好结果的参赛队伍将被邀请参与基准研究(benchmark)相关论文的联合发表，每支队伍可提供1-2名合著者。

(7) 日程

(1) 预开赛（2024.1.22）

(2) 比赛开始（2024.01.29）：接受报名，发布训练与验证数据。

(3) 验证阶段（2024.01.29-06.15）：可多次提交验证结果并查看实时排名。在此期间，训练数据将被持续更新。

(4) 测试阶段（2024.06.15-06.22）：最终测试数据将于6月15日发布。在此期间，参赛者需提交测试结果与方法说明文件。

(5) 比赛结束（2024.06.22）：最终成果提交的截止时间。

(6) 成绩公布（2024.07.15前）

(7) 颁奖典礼（2024.11）：于巴西帕拉贝尔萨姆( Belém, Pará, Brazil)举办的ISPRS技术委员会第三届中期研讨会“Beyond the canopy: technology and applications of remote sensing”举行颁奖典礼。

上述时间阶段的时区均以UTC+0为准。例如：赛事预计在UTC+0时区6月15日00：00结束第一阶段（截止时间：北京UTC+8时区6月15日08：00）。UTC+0时区6月22日00：00赛事第二阶段结束（截止时间：北京UTC+8时区6月22日08：00）

(8) 奖项

有7支队伍将获奖并获得奖金:

(1) 获得一等奖、二等奖和三等奖的队伍将分别获得3000美元、2000美元和1000美元的奖金；获得特别贡献奖的队伍将获得1000美元的奖金。

(2) 排名第一的队伍将获得一等奖。排名第二和第三的队伍将获得二等奖。排名第四到第六的队伍将获得三等奖。对赛事的技术方案创新、赛事组织等方面有卓越贡献的队伍将获得特别贡献奖。

(9) 联系方式

若参赛者愿意加入到基准研究的相关工作中，请联系梁欣廉。联系方式：xinlian.liang@whu.edu.cn