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

通过多模态数据和数据增强方法，利用卫星遥感技术实现全球范围内的森林监测，以保护和恢复森林生态系统，对生物多样性保护和碳封存至关重要。

May, 2024

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

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

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

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

通过机器学习方法，利用开放数据集进行大规模森林监测

Nov, 2023

通过使用合成数据集，我们开发了一个逼真的模拟器，生成了合成的森林场景，用于开展不同基于点云的深度学习网络在森林分割方面的比较研究，并确定了使用合成数据来训练深度学习网络对真实森林数据集中的点云进行分类的可行性。

Mar, 2024

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