介绍了一个名为 FinnWoodlands 的森林数据集，包含着 RGB 立体图像、点云、稀疏深度图以及针对于语义、实例和全景分割的地面真实手动注释。同时提出了使用该数据集进行实例分割、全景分割和深度完成的挑战。

Apr, 2023

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

基于深度学习的 Wood-Leaf 分类网络 (WLC-Net) 通过将线性性作为固有特征、优化输入输出结构和采样技术，提高了树木点云中木质和叶子点的分类准确性、完整性和速度。模型在三个不同的树种数据集上进行了训练和评估，并表现出优越的性能，尤其在木叶分类的准确性方面表现出色。该方法具有高应用性和进一步优化的潜力。

May, 2024

我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。

Jul, 2023

本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

Mar, 2020

本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法 (TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

Jun, 2024

基于 BROW 模型，我们提出了一种用于提取 WSI 特征表示的基础模型，通过使用自蒸馏框架预训练的转换器结构，改进模型的鲁棒性，并利用 WSI 的多尺度金字塔来增强其性能，我们在各种器官和组织的 WSI 上进行实验，证实了该模型的有效性、鲁棒性和良好的泛化能力，从而突出了其在 WSI 处理中的潜力和应用前景。

Sep, 2023

本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

Dec, 2020

用深度学习图像分割方法取代人工区域标记，提高石楠树脂化合物的手动提取过程，并报告初步分割结果和改善分割准确性的潜在方法。

Apr, 2024

本文提出一种用于实例分割的合成数据集生成方法，通过从流行的图像搜索引擎中获取对象感兴趣的图像，实现了从数据采集到最终数据集形成的全自动化流程，并比较了三种不同的图像选择方法和四种不同的混合方法，该方法的有效性在包裹分割中得到了验证。

Oct, 2022