通过使用图割方法和充分利用可用数据，开发了一种三维树木描绘方法，可以识别森林中的个体树木并获得精确的树冠特征数据。

Jan, 2017

无人机在树木检测中的应用方法进行了回顾和分析，包括利用点云数据的 LiDAR 和数字航空摄影 (DAP) 方法以及直接使用图像的深度学习 (DL) 方法，并统计了近年来使用不同方法进行树木检测的研究数量，指出基于图像的 DL 方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导，同时也可帮助农民利用无人机管理农业生产。

Sep, 2023

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

本研究提出了一种新方法来检测带阴影的树冠，并提供了一个约 50,000 对 RGB - 热成像图像的数据集，以促进未来对光照不变检测的研究。该方法完全基于自我监督，并使用域对抗性训练来提取特征并进行前景特征对齐，以实现领域无关的表示，并通过融合两个模态的互补信息来有效地改进已训练的 RGB 检测器的预测并提高整体准确性。实验证明，所提出的方法优于基线的 RGB 训练检测器和依赖于无监督域自适应或早期图像融合的最先进技术。

Oct, 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

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

本文是关于光学遥感图像中物体检测的文献综述，涵盖目标检测的众多方法，包括基于模板匹配、基于知识、机器学习等，同时讨论现有研究的挑战并提出两个有潜在发展的研究方向，即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。

Mar, 2016

本篇论文提出了一种名为 CrownCAM 的算法，用于在高密度森林树木的机动检测场景中生成可靠的可视化解释，能够有效提供树冠的细粒度本地化和非上下文背景抑制。此外，引入了两个基于交集的度量方法，可以有效地量化生成的可视化解释与图像中有或没有树冠区域的准确性和不准确性。经验评估表明，所提出的 CrownCAM 在 NEON 树冠数据集中，平均 IoU 精度边际优于 Score-CAM，Augmented ScoreCAM 和 Eigen-CAM 方法分别为 8.7，5.3 和 21.7（以及 3.3、9.8 和 16.5）

Nov, 2022

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

本文提出了一种基于无人机激光雷达数据的无参数分割决策树的方法，该方法可以准确地识别决策树的特征并不需要决策树先验信息。该方法适用于各种地形和植被条件，在测试中正确识别 94% 的优势树和共优势树，正确识别 62% 的中等、淹没和死树，总体分割准确度为 77%。

Jan, 2017