今天上班时看到楼下的树被砍，感到惆怅。业主群讨论垃圾箱，却无人关注树木被砍的原因。

世界木材项目是谷歌艺术与文化的倡议，展示树木的重要性。该项目汇集了来自36个国家的100多个合作伙伴，提供数字导览、互动植物图谱和400多个树木故事，旨在提升公众对树木保护的意识。

本研究利用高分辨率卫星影像和YOLOv7模型分析Ahmedabad市的树木变化，检测准确率达到80%，展示了深度学习在城市监测中的应用潜力。

本研究使用机器学习技术解决了估算森林生物量中的树木高度的问题。通过应用合成孔径雷达产品提取森林高度数据，采用了经典方法、3D U-Net深度学习和贝叶斯优化技术。最优模型在树冠高度约30米的情况下，预测森林高度的平均绝对误差为2.82米，有助于提高全球碳存量的测量能力及支持气候行动。

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，并发现最佳结果来自于包含多种情景的数据集。此外，还开发了一个评估地区森林破坏程度的框架。

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，并对不同方法和深度架构进行了回顾和比较。我们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。

树木具有多种功能，如提供阴凉、净化空气、储存碳和结出果实。种植树木需要时间，但可以为他人带来好处。网络上的“树”是指那些他人种植但我们享受果实的资源，如免费开放的博客。我们应该思考自己正在种植哪些树，即使对我们个人而言可能没有直接好处，但其他人可能会在未来受益。

分布式机器学习中的梯度反演攻击问题及其对隐私数据的泄露风险进行研究和验证，并发现在语言模型的各个中间层存在训练数据泄露的漏洞。实验证实，单个 Transformer 层甚至一个线性组件的 0.54% 参数的梯度也存在训练数据泄露的问题。此外，研究还表明，在训练过程中对梯度应用差分隐私仅能提供有限的数据泄露保护。

本研究通过对语言模型进行结构性偏置，探索了不同感性学习偏差的影响，并研究了三种感性偏差的相对成功。研究发现，复杂的令牌-令牌交互形成了最好的感性偏向，并且在非上下文自由情况下最强。同时，Zipfian词汇分布独立于语法结构，形成一个良好的感性偏向。

该文章回顾了无人机在树木检测中的应用方法，包括利用点云数据的LiDAR和数字航空摄影(DAP)方法以及直接使用图像的深度学习(DL)方法。研究表明，基于图像的DL方法已成为树木检测研究的主流趋势。该回顾可为科研人员提供帮助和指导，并帮助农民利用无人机管理农业生产。

本研究提出了一种新方法来检测带阴影的树冠，并提供了一个约50,000对RGB-热成像图像的数据集，以促进对光照不变检测的研究。该方法通过自我监督和域对抗性训练，融合两个模态的信息来改进已训练的RGB检测器的预测并提高准确性。实验证明该方法优于基线的RGB训练检测器和依赖于无监督域自适应或早期图像融合的技术。

本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。

该研究提出了一种利用深度学习和手机影像进行城市街道树木清查的创新方法。通过智能手机摄像头捕捉的图像来准确分割树干并计算胸径，具有准确度高、对专门设备依赖少、适用于难以到达的地区等优点。该方法在评估中，在包括400棵树的数据集上得到了胸径估计误差小于2.5%的准确度。该方法有望提升森林管理实践，为城市管理应对森林砍伐和气候变化的不良影响提供支持。

本研究使用神经辐射场（NeRF）方法对树木进行三维重建，并与摄影测量和激光扫描方法进行比较。结果显示，NeRF方法在个体树木重建方面表现良好，具有更高的成功重建率和更好的冠层区域重建。然而，与摄影测量方法相比，NeRF方法生成的点云存在噪点和低分辨率。从摄影测量点云中提取的树木结构参数的精度仍然优于从NeRF点云中提取的结果。本研究显示了NeRF方法在个体树木重建方面的潜力，并为复杂森林场景的三维重建和可视化提供了新的思路和研究方向。

该研究提出了一种基于光学遥感技术和无人机采集的神经网络模型，用于区分森林中木质和叶状物的点云数据，提高了精确性和可靠性。