Oct, 2019

从谷歌地图到精细化的街道树目录

PDF
TL;DR本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。
发现论文，激发创造
  • 利用街道地址和街景图像进行树木地理编码

    利用街景图像和全局优化框架更新老树清单的地理坐标，以方便将它们与新清单相连接，以便于进行树木死亡等长期研究。

    Feb, 2020

  • 利用航空图像进行城市树种分类

    研究使用谷歌地图的航空影像生成标记的城市树木数据集，并探讨现代深度卷积神经网络模型如 VGG 和 ResNet 在不同参数下处理城市树木航拍图像分类问题的方法和效果，研究结果表明，最佳模型在 6 种树种上平均准确率达到了 60％以上。

    Jul, 2021

  • 从不完整的点标记和有限的背景信息预测城市树木覆盖

    通过使用有限数据集和深度学习，在高分辨率航拍图像中绘制城市树木的方法被提出，结合街道边缘的准确点标签和开放地理数据库的众包注释，使用全卷积神经网络进行语义分割。

    Nov, 2023

  • 基于移动手机图像的精确高效城市街道树木清单实现深度学习

    提出利用深度学习技术和手机影像进行城市街道树木清查的创新方法，通过智能手机摄像头捕捉的图像来准确分割树干并计算胸径，具有优越的准确度、对专门设备的依赖较少以及适用于难以到达的地区等多项优点。在包括 400 棵树的广泛数据集上进行评估，得到了胸径估计误差小于 2.5% 的准确度，该方法有望显著提升森林管理实践，并通过提高树木清查的准确性和效率，为城市管理应对森林砍伐和气候变化的不良影响提供支持。

    Jan, 2024

  • 从自动生成分割地图中监测城市森林

    本文研究采用弱监督方法，利用远程感知数据对城市森林进行时空分布量化，并探索利用高分辨率 LiDAR 数据为训练提供嘈杂标签的方法，以探测飓风桑迪带来的影响，实现树木的地理定位。通过针对纽约市的考察，验证研究结果的可靠性。

    Jun, 2022

  • 支持树匠和林业工人的任务规划：基于无人机数据的树木清查和生长情况评估的深度学习方法比较

    研究利用 RGB 和多光谱无人机数据，欧盟规定下还加入多光谱卫星数据和土壤湿度传感器，生成城市公园和森林的树木清单并通过统计指数和深度学习推导出树木生命状态，提出了一个开源的端到端方法来优化城市和森林中树木的管理，提高工作效率和任务规划。

    Jul, 2023

  • 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

  • 利用亚米级影像进行个体树木制图的基准评估

    我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并在注释成本和适用目标方面进行了考虑。我们对不同方法和深度架构进行了回顾和比较，并引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。

    Nov, 2023

  • 结合深度学习和街景影像进行小农户作物类型的绘制

    我们开发了一种利用深度学习和 Google 街景图像生成作物类型地面参考的自动化系统，能够通过利用异源图像从不同领域预测作物类型，并将预测的标签与遥感时序图像相结合，从而在泰国获得 91% 的精确度，从而实现了在全球范围内扩展地图作物类型的目的，特别是在未受服务的小农户地区。

    Sep, 2023

  • 从航空影像构建车道级地图

    建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

    Dec, 2023