CVPRApr, 2022

航空 LiDAR 扫描下稠密植被的多层建模

PDF
TL;DR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。
wild forestsautomated forestrylidars3d annotationdeep network architecture
发现论文，激发创造
  • 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

  • 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

    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。

    Feb, 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

  • 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

  • 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

  • 航空语义分割和深度估计的森林巡查数据集

    通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

    Mar, 2024

  • PureForest：大规模航空激光雷达和航空图像数据集，用于单树种纯林的树种分类

    纯森林数据集是迄今为止最大最全面的用于树种识别的激光雷达数据集和 / 或航空图像数据集，可支持深度学习方法的开发，并提供具有挑战性的基准数据集。

    Apr, 2024

  • 基于激光雷达的挪威树种识别与深度学习

    利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 LiDAR 结合模型的性能。

    Nov, 2023

  • 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