本研究提出了一种基于多任务全卷积架构的方法，利用超光谱无人机数据从稀疏和有限的多边形注释中进行密集森林的树种映射。通过实现局部损失函数和距离回归互补任务，该模型从非密集的训练样本中实现了密集的树木语义标记结果，并使用共享的骨干网络和两个任务特定解码器来学习两个任务的普遍表示，并取得了热带森林树种分类的最先进性能。

Jun, 2021

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

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

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

通过开放获取数据集和深度学习分割算法，我们构建了一个高分辨率航空影像的个体树冠描绘数据集，用于精确定量树冠分布，并与现有数据集进行了比较和验证。

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