使用合成数据训练基于点的深度学习网络进行森林分割

本研究探讨了在森林环境中使用深度学习进行树木检测和分割的方法。

通过生成43k合成图像进行模型训练，验证了模型在真实数据集上的有效性。

研究介绍了一个新的航拍数据集，包含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。

评估了不同采集条件下多尺度神经网络的性能，最佳结果来自于包含多种情景的数据集。

开发了一个评估地区森林破坏程度的框架。

提出了一种从电脑游戏中快速生成带有准确点级别标签的点云的框架，显著提高点云分割的准确性。

研究旨在自动将高密度点云分割为有意义的树木实体，并获得相关的生物物理参数。

利用深度学习的方法对森林点云进行语义和实例分割，表现出良好的成绩。

提出了一种半监督回归建模方法，解决了传统回归模型样本量不足的问题。