Jan, 2024

千面灌木：基于深度学习的卫星图像个体分割

PDF
TL;DR利用遥感图像和基于 Mask R-CNN 的实例分割模型，个别划定高山和高纬度生态系统中杜松灌木树线上的位置，以监测气候变化对其产生的长期影响。通过新型的数据构建设计和基于多重交叉的地面真实区域度量，有效地克服了传统实地调查方法存在的局限，并实现了对复杂生长模式物种的准确划定。
long-living shrubsjuniperus communisclimate changeremote sensinginstance segmentation
发现论文，激发创造
  • 使用深度学习对遥感影像植被进行语义分割

    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

  • 基于激光雷达的挪威树种识别与深度学习

    利用 LiDAR 数据，我们提出了一种基于深度学习的树种分类模型，该模型能够将树木种类分为四类（挪威云杉、苏格兰松树、桦树和背景），通过国家森林清查的现场样地验证，我们的模型在宏平均精确度上获得了 0.70 的得分，接近于航空或航空和 LiDAR 结合模型的性能。

    Nov, 2023

  • 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

  • 自动森林清查: 3D 深度学习对高密度航空 LiDAR 点云的分析

    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

  • 通往通用基于深度学习的树实例分割模型

    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

  • 从不完整的点标记和有限的背景信息预测城市树木覆盖

    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

  • 城市植被点分割的深度学习架构基准测试

    本文从植被分割的角度探讨深度学习模型在城市环境下的应用，评估了四种不同的模型并在三个数据集上进行实验，提供了一些优化植被分割的方案。

    Jun, 2023

  • 从自动生成分割地图中监测城市森林

    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

  • 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

  • 从谷歌地图到精细化的街道树目录

    本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

    Oct, 2019