Feb, 2017

在足够密集的机载激光扫描点云中能够精确地分割林地的下层乔木

PDF
TL;DR本文研究利用激光雷达技术 (LiDAR) 建立森林树木分割模型，通过点密度实现森林资源的远程精确量化。同时，该方法也可以应用于其他远程感应技术以及高级成像技术，如地质亚表面建模或生物医学组织分析。
lidartree segmentationpoint densityforest resourcesremote sensing
发现论文，激发创造
  • 利用离散回波机载激光雷达遥感森林

    介绍了一种用于处理森林点云的方法，通过用垂直平面对森林按层次分层，估算每个层次的点密度、训练出一个避免先验假设和复杂模型的树木分割模型，并采用分布式计算对大型森林进行高效处理。

    Jul, 2017

  • 利用机载小型激光雷达点云垂直森林冠层分层技术，实现林下乔木的分割

    本文提出了一种用于多层林分的树木分割方法，通过分层点云到冠层层和各层内的单个树冠的分段，然后应用于肯塔基州罗宾逊森林，结果表明该方法显著提高了检测底层树木的精度并适用于各种森林类型，并建议在获取更密集的 LiDAR 点云后进行改进。

    Dec, 2016

  • 自动森林清查: 3D 深度学习对高密度航空 LiDAR 点云的分析

    通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

    Dec, 2023

  • 航空 LiDAR 扫描下稠密植被的多层建模

    利用多层次结构的 LiDAR 对野生森林进行 3D 注释，提出了一个同时预测 3D 点云标签和高分辨率层占用栅格的深度网络结构，以此实现对每层厚度和相应的闭合网格的精确估计，并发布了相关数据集和模型。

    Apr, 2022

  • 利用小型机载激光雷达数据进行落叶林树木分割的强健方法

    本文提出了一种基于无人机激光雷达数据的无参数分割决策树的方法，该方法可以准确地识别决策树的特征并不需要决策树先验信息。该方法适用于各种地形和植被条件，在测试中正确识别 94% 的优势树和共优势树，正确识别 62% 的中等、淹没和死树，总体分割准确度为 77%。

    Jan, 2017

  • 稀疏不规则点云的语义分割用于叶子 / 木材区分

    使用 Pointnet ++ 模型及创新的采样策略和损失函数，该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型，该模型可以有效地区分森林里木质和叶状物的点，以提高其应用场景中的精确性和可靠性。

    May, 2023

  • 通过将 3D 点云与图像相结合进行树木计数

    利用三维 LiDAR 测量和二维图像融合来实现准确统计树木数量，与其他算法比较，深度学习方法 FuseCountNet 能够提供更准确的结果。

    Mar, 2024

  • 通往通用基于深度学习的树实例分割模型

    研究了深度学习方法在树木分割中的应用，通过使用七个不同数据集的训练，发现从针叶树为主的稀疏点云到阔叶树为主的高分辨率点云的泛化是可能的，但由高分辨率到低分辨率点云的泛化却具有挑战性，强调了模型开发中需要具备多样性数据特征的森林点云。

    May, 2024

  • 提升道路安全：基于 LiDAR 的树木空间测量分析

    利用 LiDAR 技术和语义分割，本论文提出了一种新的点云算法，可自动检测那些长在道路上方需要修剪的树木部分，从而增强交通安全并节约宝贵的时间。

    Feb, 2024

  • 混杂空中 LiDAR 点云的目标分割

    本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

    Oct, 2022