本文介绍了一个名为Agriculture-Vision的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

Jan, 2020

本文提出了一种深度学习算法Triple-S Network，用于同时对越橘进行分割和计数，以帮助预测产量和日照情况，并且利用低成本中心点注释监督方法。作者通过引入三个损失函数对其进行优化，获得比同类算法更好的分割结果和计数结果，同时提供了最大的陆地越橘图像数据集CRAID用于算法评测。

Apr, 2020

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

利用来自美国密歇根州大豆田的无人机图像，本文提出了一种准确计数大豆荚的先驱性工作，使用强大的变换器骨干网络来进行大豆荚的同时计数和定位，并提供了新的大豆荚数据集，为未来的大豆荚计数和相关领域的研究提供了有价值的资源。

Oct, 2023

该研究通过使用深度学习技术，分析无人机拍摄的图片，自动识别玉米植株中的异常区域并分类成低、中、高或无异常。研究旨在能在最早的阶段识别异常，以最大化潜在治疗的有效性。同时，该系统为人工标注员提供宝贵的信息，帮助他们只关注一小部分图片进行真实数据收集。

Oct, 2023

本文提出了一种名为AdaTreeFormer的方法，通过从源领域学习具有足够标记树的框架，并针对只有有限数量标记的目标领域进行自适应，利用层次特征提取方案从源和目标领域中提取强大特征，并引入注意力机制以及逐渐对齐源和目标领域特征的层次交叉领域特征对齐方案，采用对抗学习进一步减小源领域和目标领域之间的差距，在树木计数数据集上进行评估，结果明显优于现有方法。

Feb, 2024

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

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

使用自监督学习和掩蔽自编码器的方法，通过检测农业无人机图像中的异常像素来实现农田异常检测，从而提高在农业领域的生产效率。

Apr, 2024

本文解决了在激光扫描数据中自动检测树木轮生的问题。通过应用一个基于姿态估计的深度学习模型，研究展示了如何从点云数据中精确识别树木的关键特征，揭示了树木生长模式和木材质量的新见解，具有潜在的生物标记功能，对林业价值链管理具有重要影响。

Sep, 2024