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

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

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

我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并在注释成本和适用目标方面进行了考虑。我们对不同方法和深度架构进行了回顾和比较，并引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。

Nov, 2023

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

该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了3D森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据密度上的性能，测试了包括稀疏版本在内的五种输入数据情景，以评估其适应性和冠层功效。该基于PointGroup架构的模型是一个具有语义分割和实例分割两个独立头部的3D CNN，在各种点云数据集上得到了验证。结果表明，点云稀疏化能提高性能，有助于稀疏数据处理，并改善对密集森林中的检测。该模型在每平方米大于50个点的密度下表现良好，但在每平方米10个点的情况下性能较差，由于漏掉的比例更高。它在检测率、漏掉率、错误率和F1分数方面优于现有方法（如Point2Tree，TLS2trees），并在LAUTx、Wytham Woods和TreeLearn数据集上设立了新的基准。总之，该研究显示了一种对于不同激光雷达数据的无感知模型的可行性，超越了传感器特定方法，并在树木分割中树立了新的标准，特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。

Jan, 2024

纯森林数据集是迄今为止最大最全面的用于树种识别的激光雷达数据集和/或航空图像数据集，可支持深度学习方法的开发，并提供具有挑战性的基准数据集。

Apr, 2024

通过对航拍图像时间序列进行语义分割，我们比较了在单一图像上训练的模型和在时间序列上训练的模型，并引入了一个简单的卷积块来提取时空特征，通过使用分类信息改进预测结果，结果表明我们的方法在利用时间序列模态和丰富标签上具有优势。

Jul, 2024

本研究解决了自动识别树种时缺乏足够多样化标记数据集的问题，推出了FOR-species20K数据集，其中包含来自33种树木的20,000多个点云数据。研究发现，基于2D图像的深度学习模型表现优于3D点云模型，尤其是DetailView模型在处理数据不平衡方面表现出色。这为使用激光扫描数据的树种分类提供了重要基准。

Aug, 2024