针对马尾松图像树轮描绘的迭代下一边界检测网络的简要分析

提出了一种改进的椭圆物体检测方法，使用Faster R-CNN和Gaussian function模型，并开源了木材节点数据集。

CrownCAM算法能够在高密度森林中有效提供树冠的细粒度本地化和非上下文背景抑制，评估结果显示其在NEON树冠数据集上表现优异。

迭代下一边界检测算法（INBD）通过模拟自然生长方向，解决了检测显微镜图像中的树轮问题，优于常规实例分割方法。

基于边缘检测和联通的树木年轮定位方法能够自动定位树干中心，达到高精度和自动化。

使用卷积循环神经网络预测木材内部缺陷位置，提升了测量和诊断的有效性。

基于光学遥感传感器的技术为经济高精度的森林清查和分析提供了潜力，并对相关研究进行了系统回顾。

引入了一种完全自动化的木材髓心检测技术（APD），并提出了其变体（APD-PCL），在不同条件下的测试中表现优于现有方法。

提出了一种用于检测树木年轮的算法，表现良好，并提出了一种使用等效半径衡量年轮生长的方法。

基于深度学习的Wood-Leaf分类网络（WLC-Net）提高了树木点云中木质和叶子点的分类准确性。

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。