FinnWoodlands 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
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
FOR-instance 数据集为稠密机载激光扫描数据提供了一个基准数据集,旨在推进实例和语义分割技术并促进 3D 森林场景分割的进展。该数据集包含来自全球不同地点的五个精选和 ML-ready 的无人机激光扫描数据集,代表了不同的森林类型。
Sep, 2023
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
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
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
利用深度学习的方法对森林点云进行语义和实例分割,通过已标注的数据和引入全新的参考数据集,该方法在提高树木分割性能方面表现出良好的成绩。
Sep, 2023
近期在语义场景理解方面的进展主要得益于城市环境中具有语义注释的双模态(相机和激光雷达)数据集的可用性。然而,为了实现自然、非结构化环境下的语义感知应用,包括自然保护、搜救、环境监测和农业自动化,我们也需要具有语义注释的数据集。因此,我们介绍了 WildScenes,一个双模态基准数据集,其中包括自然环境下多个大规模遍历,包括高分辨率 2D 图像和密集 3D 激光雷达点云的语义注释,以及准确的 6 自由度姿态信息。我们的 3D 语义标签通过一种高效的自动化过程得到,该过程将多视角中的人工标注 2D 标签转移到 3D 点云中,从而避免了在 3D 中进行昂贵和耗时的人工注释。我们引入了关于 2D 和 3D 语义分割的基准,并评估了各种最新的深度学习技术,以展示在自然环境中语义分割中的挑战。我们提出了供标准基准和域自适应基准使用的训练 - 验证 - 测试划分,并利用一种自动划分生成技术来确保类别标签分布的平衡。该数据集、评估脚本和预训练模型将在接受之后发布于该 URL。
Dec, 2023
本研究探讨了在森林环境中基于视觉的分割是自主林业操作(如伐树和前进)的关键功能之一。在本研究中,我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像,并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集训练的模型在真实数据集上的有效性,证明了模型的迁移学习能力。
Oct, 2022
介绍了 LandCover.ai 数据集,该数据集用于语义分割,包括建筑,森林,水和道路等对象的手动标注。将卫星或航空图像与计算机视觉和深度学习相结合可以精确评估土地利用和土地覆盖的变化,它对自然资源管理,农业,林业或公共管理非常重要。
May, 2020