本文介绍了一种利用机器学习技术,结合公开遥感数据,使用卷积神经网络模型实现不同类植被的分离的方法,旨在解决处理遥感数据的效率问题。
Sep, 2022
本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略,该方法在室内和室外数据集上均取得了较好的结果。
Feb, 2018
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
该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用,并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。
Jun, 2024
通过使用合成数据集,我们开发了一个逼真的模拟器,生成了合成的森林场景,用于开展不同基于点云的深度学习网络在森林分割方面的比较研究,并确定了使用合成数据来训练深度学习网络对真实森林数据集中的点云进行分类的可行性。
Mar, 2024
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
本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向,重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。
May, 2024
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
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
本文介绍了一种深度学习架构,用于解决非结构化点云的三维语义分割问题。与以往的工作相比,我们引入了点群聚合技术,定义了初始世界空间和学习特征空间中的点邻域,并结合专用损失函数,进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务,并在室内和室外数据集上报告了最新性能。
Oct, 2018