使用合成数据训练基于点的深度学习网络进行森林分割
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
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
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
本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架,可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法,实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%),通过从用户配置场景的点云进行神经网络的测试和重新训练,可以修复神经网络的弱点 / 盲点。
Mar, 2018
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
利用深度学习的方法对森林点云进行语义和实例分割,通过已标注的数据和引入全新的参考数据集,该方法在提高树木分割性能方面表现出良好的成绩。
Sep, 2023
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
论文介绍了一个名为 SynthCity 的新型开放式数据集,可以提供一个用于深度学习自动分类三维点云数据的高质量的数据源。采用合成数据进行预训练网络是可能的解决方案。本文的贡献在于介绍了一种基于 3D 虚拟环境生成的全色移动激光扫描点云的数据集。
Jul, 2019