多目标深度学习预测森林参数：伪目标插补训练回归模型

Jun, 2023

多目标深度学习预测森林参数：伪目标插补训练回归模型

Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation

Sara Björk, Stian N. Anfinsen, Michael Kampffmeyer, Erik Næsset, Terje Gobakken...

TL;DR本文提出了一种半监督回归建模方法，通过利用建立于航空激光扫描数据和 C 波段合成孔径雷达的预测地图来生成有效的伪目标训练数据，解决了传统回归模型样本量不足的问题，并成功实现了在坦桑尼亚和挪威的不同地区和森林类型上进行地面生物量和树干体积的预测。

Abstract

In prediction of forest parameters with data from remote sensing (RS), regression models have traditionally been trained on a small sample of ground reference data. This paper proposes to impute this sample of true prediction targets with data from an existing RS-based prediction map t

remote sensing imputation deep learning semi-supervised regression prediction maps

发现论文，激发创造

多源卫星 SAR 和光学图像在森林制图中的深度学习模型转移

使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。

Aug, 2023

使用合成数据训练基于点的深度学习网络进行森林分割

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

使用合成森林图像对深度学习算法进行树木检测训练

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

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

多模态深度学习基于 GEDI 与地球观测数据融合的森林主要高度绘制

我们提出了一种名为多模态注意远程传感网络（MARSNet）的新型深度学习框架，通过将 GEDI、Sentinel-1、ALOS-2 PALSAR-2、Sentinel-2 和辅助数据进行融合，从而估计森林优势高度，提高了高分辨率优势高度的准确性。

Nov, 2023

CVPR 2023 亚马逊地区森林砍伐估计挑战赛：SpaceVision4Amazon

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

Jul, 2023

使用小型训练高光谱数据的多任务全卷积网络在密集森林中进行树种分类

本研究提出了一种基于多任务全卷积架构的方法，利用超光谱无人机数据从稀疏和有限的多边形注释中进行密集森林的树种映射。通过实现局部损失函数和距离回归互补任务，该模型从非密集的训练样本中实现了密集的树木语义标记结果，并使用共享的骨干网络和两个任务特定解码器来学习两个任务的普遍表示，并取得了热带森林树种分类的最先进性能。

Jun, 2021

基于克里金法的伪标签生成增强地面 PM2.5 预测

通过引入一种称为普通克里金法的空间插值技术生成的伪标签，将未标记的卫星图像与稀疏的地面测量数据融合，从而充分利用可用的卫星数据资源来增强卷积神经网络 - 随机森林模型的性能，提高空间相关性并降低预测误差。

Jan, 2024

FUELVISION: 多模态数据融合和多模型集成算法用于野火燃料映射

使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

Mar, 2024

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