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
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
本文研究利用激光雷达技术 (LiDAR) 建立森林树木分割模型,通过点密度实现森林资源的远程精确量化。同时,该方法也可以应用于其他远程感应技术以及高级成像技术,如地质亚表面建模或生物医学组织分析。
Feb, 2017
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
利用多层次结构的 LiDAR 对野生森林进行 3D 注释,提出了一个同时预测 3D 点云标签和高分辨率层占用栅格的深度网络结构,以此实现对每层厚度和相应的闭合网格的精确估计,并发布了相关数据集和模型。
Apr, 2022
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
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
本文通过深度学习算法对热带植树造林项目进行了航空影像、卫星影像和地面实测数据的林区碳储量估算的首次系统比较。结果表明,卫星影像的林区碳储量估算对于热带植树造林项目可能高估地上生物量高达 10 倍,因此航空影像的机器学习算法估测林区碳储量的潜力值得期待,并有必要将本研究扩展到全球,以便比较和选择最合适的碳储量测量方式。
Jul, 2021
本文提出了一种基于遥感图像的密集目标计数数据集,包含建筑物、港口拥挤船只、停车场中的大型和小型车辆。我们设计了一种新的神经网络,它能够生成输入图像的密度图,该网络由卷积块注意力模块 (CBAM)、尺度金字塔模块 (SPM) 和可变形卷积模块 (DCM) 三部分构成。实验表明,所提出的数据集的挑战性,以及我们的方法的优越性和有效性。
Feb, 2020
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