CN110728197B - 基于深度学习的单木级树种识别方法 - Google Patents
基于深度学习的单木级树种识别方法 Download PDFInfo
- Publication number
- CN110728197B CN110728197B CN201910888236.6A CN201910888236A CN110728197B CN 110728197 B CN110728197 B CN 110728197B CN 201910888236 A CN201910888236 A CN 201910888236A CN 110728197 B CN110728197 B CN 110728197B
- Authority
- CN
- China
- Prior art keywords
- tree
- image
- crown
- layer
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明实施例公开了一种基于深度学习的单木级树种识别方法,所述方法包括:通过LiDAR点云数据获取冠层高度模型;通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像;基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别。在本发明实施例中以LiDAR点云数据与高分辨率航空影像为基础,利用深度卷积神经网络图像分类技术进行单木尺度树种识别,实现了同时获取林区树木棵数及单株树木类型。
Description
技术领域
本发明涉及计算机技术和遥感科学技术领域,尤其涉及基于深度学习单木级树种识别方法。
背景技术
神经网络是机器学习的一种,其实质是通过构建具有多个隐层的机器学习模型和海量的训练数据来学习更有用的特征,从而提升分类或预测的准确性。卷积神经网络降低了网络模型的复杂度,减少了权值的数量。这种网络结构对图像平移、比例缩放、倾斜或者其他形式的变形具有高度不变性,因而深度卷积神经网络被应用于各种类型的影像分类中。
森林是最重要的自然资源之一,是全球陆地生态系统中最大的有机碳库。森林资源的准确估计对我国森林资源的精准化经营与管理起到至关重要的作用。在过去的几十年中,随着计算机技术和空间信息技术的提升,航空影像数据被广泛的用于林分尺度的树种提取。树种识别研究的基础是遥感数据信息的提取,由光谱影像所反应的树种的光谱特性是树种识别的重要依据。但像元光谱受到冠层、叶面积指数、植被覆盖度等因素的影响,并不能满足单木尺度树种识别的需求。传统的基于像元的影像分类方法应用于单木尺度树种识别时存在以下问题:
传统方法仅仅考虑单个像元单位上的灰度光谱特征,未能整合邻域像元的信息,并且不能获取林区树木的棵数;忽略了其复杂地物空间分布、形状等特征;应用于高空间分辨率影像时会影响分类的精度,而且在影像分类结果中容易出现“椒盐现象”。
光学遥感影像及航空像片虽然取得了广泛的应用,但由于光谱和空间因素对森林冠层表面反射率的影响以及图像传感器的光谱和空间结构的限制,基于森林冠层光谱信息的单木分类精度仍然很低。机载LiDAR的出现革新了森林自然资源的数量信息提取方法,激光雷达LiDAR作为一种主动遥感技术,通过发射激光能量和接收返回信号的方式,来获取高精度的森林空间结构和林下地形信息,在空间结构测量方面具有显著优势,能够很好描绘森林的三维结构特征。近来,深度学习技术已经被广泛运用到基于LiDAR数据(特别是T-LiDAR与Mobile LiDAR数据)的树种分类中。但基于LiDAR数据提取单木影像再利用深度学习进行树种分类的方法尚无人进行。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一个以LiDAR点云数据与高分辨率航空影像为基础,利用深度卷积神经网络图像分类技术进行单木尺度树种识别,实现了同时获取林区树木棵数及单株树木类型。
为了解决上述问题,本发明提出了一种基于深度学习的单木级树种识别方法,所述方法包括:
通过LiDAR点云数据获取冠层高度模型;
通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像;
基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别。
所述通过LiDAR点云数据获取冠层高度模型包括:
通过反向距离权重IDW插值法提取数字高程模型DEM和数字表面模型DSM;
根据DSM和DEM的差值建立了冠层高度模型CHM。
所述通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像包括:
使用可变的移动窗口扫描新生成的树冠高度模型表面,标识局部最大值;
运用树冠与树高的经验关系构建可变的移动窗口,以局部最大值作为单木顶点;
以树冠最高点为中心截取64*64个像元的单木影像。
所述移动窗口包括大小为n*n的矩形窗口和圆形窗口,所述n为大于0的自然数。
所述运用树冠与树高的经验关系构建窗口判断局部最大值是否为单木顶点包括:
在局部最大值对应的树冠范围内没有更高的像元点,那么该像元所在位置即为单木顶点,树冠与树高的经验关系见式如下:
width(m)=2.51503+0.00901ht2
其中:ht表示插值后的CHM模型中的树高,width表示预测的冠幅直径。
所述以树冠最高点为中心截取64*64个像元的单木影像包括:
将树冠最高点与RGB航空影像进行叠加,以最高点为中心,截取单木块状影像,作为单木类型识别的输入数据;
根据树木的特征,选择单木块状尺寸为64*64,并存储为png格式;
每张树木图像按照所提取的树木编号和类型对单木进行命名。
所述基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别包括:
基于单株树木的块状影像作为深度残差卷积神经网络ResNet-50中输入层的参数;通过卷积模块组逐层提取特征,残差模块配合卷积模块增强了特征的提取,最终通过分类模块实现对单木树种的分类。
所述ResNet-50中设置有四个Dropout层,所述Dropout层设置于投影快捷模块之后。
所述ResNet-50中输入层尺寸为64×64像素,对应第一个卷积模块的特征输入为64;最后一个池化层的内核大小为2,以确保最后一个要素映射的大小为1*1;所述ResNet-50中输出层中的每个神经元对应一个树种类型。
所述深度残差卷积神经网络ResNet-50基础学习率设置为0.00001,学习率采用Adam随机优化方法进行自适应更新,最大迭代设置为200000。
在本发明实施例中将深度残差卷积神经网络与局部最大值算法用于高分辨率航空影像和机载LiDAR点云数据的单木级树种信息提取中。首先利用机载LiDAR点云实现单木的分割,得到单株树木及其对应的块状影像。进而通过图像随机旋转、翻转、亮度对比度增强后实现样本拓充。接着输入改进的ResNet50深度残差网络中,实现树木类型的探测。与基于像素的分类方法相比,本方案提出的方法可以同时提供林区树木的棵数及其树种信息,并有效提高了树种分类的整体精度,表明了该发明是利用高分辨率航空影像和机载LiDAR点云数据进行建筑物提取的有效方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于深度学习的单木级树种识别方法流程图;
图2是本发明实施例中的ResNet-50的深度网络的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例所提供的一种基于深度学习的单木级树种识别方法,其通过LiDAR点云数据获取冠层高度模型;通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像;基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别。
具体的,图1示出了本发明实施例中的基于深度学习的单木级树种识别方法流程图,图2示出了本发明实施例中的单木级,其基于多源航空数据与深度卷积神经网络来完成单木级树种识别,具体包括如下步骤:
S101、通过LiDAR点云数据获取冠层高度模型;
本发明实施例中所采用LiDAR点云与高分辨率航空影像两种数据作为数据源。该数据源通常通过安装在飞机上的光学传感器和LiDAR传感器获得,即通过光学传感器获取到高分辨率航空影像,通过LiDAR传感器获取到LiDAR点云数据。其中,LiDAR点云数据包括栅格化的数字表面模型(DSM)和归一化地表模型(NDSM),高分辨率航空影像包括红、绿、蓝3个波段。
这里需要对LiDAR点云数据进行如下处理:
(1)将地面点与非地面点分离;通过反向距离权重(IDW)插值法提取数字高程模型(DEM)和数字表面模型(DSM);
(2)根据DSM和DEM的差值,建立了冠层高度模型(CHM),以减少地形对林冠高度的影响。
S102、通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像;
具体实施时,首先使用可变的移动窗口(包括大小为n*n的矩形窗口和圆形窗口)扫描新生成的树冠高度模型表面,标识局部最大值,即潜在的单木顶点。
其次,运用树冠与树高的经验关系构建可变的移动窗口,以局部最大值作为单木顶点。如果在局部最大值对应的树冠范围内没有更高的像元点,那么该像元所在位置即为单木顶点。树冠与树高的经验关系见式(1):
width(m)=2.51503+0.00901 ht2 (1)
ht表示插值后的CHM模型中的树高,width表示预测的冠幅直径。
最后,以树冠最高点为中心截取64*64个像元的单木影像,该单木影像即未单株树木的块状影像。将树冠最高点与RGB航空影像进行叠加,以最高点为中心,截取单木块状影像,作为单木类型识别的输入数据。根据树木的特征,选择单木块状尺寸为64*64,并存储为png格式。每张树木图像按照所提取的树木编号和类型对单木进行命名,如228_6.png,是第228棵树木,其类别为6。如此,可以探测出林区的树木的棵数。
S103、基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别。
本发明实施例中选择深度残差卷积神经网络ResNet-50作为树种分类的基本网络,并且对ResNet-50的深度网络上的相关结构和参数进行了一些修改,图2示出了基于ResNet-50的深度网络的方法流程图。
深度残差网络ResNet50的基本结构包括输入层、卷积层、激励层、池化层、全连接层及输出层。除此之外,ResNet50还增加了特有的残差模块。其中输入层输入单木块状影像(即单株树木的块状影像),卷积模块组(卷积层、激励层、池化层组成多个卷积组)逐层提取特征,残差模块(投影卷积层、恒等卷积层)配合卷积模块增强了特征的提取,最终通过分类模块(全连接+softmax分类器)实现分类。
(1)卷积层(convolutional layer)是一个特征提取器,学习用来表示输入图像的特征。卷积层由多个特征面(Feature Map)组成,每个特征面由多个神经元组成,同一特征平面的神经元共享权值,它的每一个神经元通过卷积核与上一层特征面的局部区域相连。卷积核(convolution kernel)是一般以随机小数矩阵的形式初始化的一个权值矩阵。卷积过程可表示为如下式(2):
Yk=f(Wk*x) (2)
其中:x表示输入的图像;Wk表示第k个特征面的卷积滤波;乘法符号指的是二维卷积运算符,用来计算在输入图像的每个位置的卷积滤波的内积;f代表非线性激励函数,通常使用不饱和非线性函数如ReLU函数作为卷积层的激励函数。
(2)池化层的目的是缩小特征面,简化模型复杂度,减少模型的参数,同时实现空间不变性。池化层紧跟在卷积层之后,同样由多个特征面组成,它的每一个特征面对应于其上一层的一个特征面,不会改变特征面的个数,通常有均值采样(mean pooling)和最大值采样(max pooling)两种形式:均值采样的卷积核中每个权重都是0.25。若卷积核在输入图像(Input X)上的滑动的步长为2,均值子采样的效果相当于把原图模糊缩减至原来的1/4;最大值采样的卷积核中各权重值中只有一个为1,其余均为0,卷积核中为1的位置对应输入图像被卷积核覆盖部分值最大的位置。若卷积核在输入图像上的滑动步长为2,大小为2*2,最大值采样的效果是把原图缩减至原来的1/4,并保留每个2*2区域的最强输入。
(3)全连接层(Fully Connected Layers),在CNN结构中,经多个卷积层和取样层后,连接着1个或1个以上的全连接层。在整个卷积神经网络中起到“分类器”的作用,全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层可以整合卷积层或者取样层中具有类别区分性的局部信息。最后一层全连接层的输出值被传递给一个输出层,一般采用softmax进行分类。
(4)残差模块:残差模块主要由投影卷积和恒等卷积组成。投影卷积具有卷积层和池化层的功能,可以增加特征的数量并减小特征图的大小为原来的1/2。恒等卷积则不改变特征图的大小以及层数。不同于常规的卷积模块,残差模块同时考虑高层次和低层次的特征输入。
本发明实施例基于深度残差网络ResNet50的基本结构上作了相关性改进和调整,包括如下:
(1)针对深度神经网络会因为层数的加深而产生过拟合的问题,Dropout层可以通过将隐含层的部分权重或输出随机置零,以降低节点间的相互依赖性。本发明实施例在深度残差网络ResNet50结构上添加了四个Dropout层以避免过度拟合,四个Dropout层设置于投影快捷模块之后,从而避免深层网络的过拟合,实现卷积神经网络的正则化。
在此基础上,针对单木类型提取任务的特点,做了如下的改进:
(2)将网络的输入层尺寸修改为为64×64像素,对应第一个卷积模块的特征输入为64。
(3)根据网络的输入大小,修改最后一个池化层的内核大小为2,以确保最后一个要素映射的大小为1*1。
(4)输出层有神经元的个数与树种的类型有关,即每个神经元对应一个树种类型。树木类型的个数可根据应用的实际情况进行设置,如7种类型的树木,设置7个神经元输出。
训练过程中,对输入网络的单木块状图像进行数据扩充,以增加训练样本的多样性,从而避免过拟合。主要的数据扩充操作有:随机旋转、翻转、裁剪以及亮度对比度拉伸等处理,使得每次网络迭代所用的树木样本组合都不同。利用80/20%的比例设置训练和测试数据。基本学习速率设置为0.00001,学习速率由Adam随机优化方法自适应更新,最大迭代设置为200000。
模型训练时,一次迭代从训练数据集中随机选择64个块状树木图像,并通过随机的数据扩充实现不同单木数据的输入,从而实现网络正则化。每5000次保存一个训练模型,当最大迭代次数结束后,即可得到训练好的深度网络模型模型。将测试数据输入至保存的训练模型汇中进行精度的评定,选取精度最高的训练模型对林区树种信息进行预测。预测时,将S102中利用局部最大值算法得到的单木影像输入训练好的模型中,就可以对输出对应的树种预测结果了。综上,在本发明实施例中将深度残差卷积神经网络与局部最大值算法用于高分辨率航空影像和机载LiDAR点云数据的单木级树种信息提取中。首先利用机载LiDAR点云实现单木的分割,得到单株树木及其对应的块状影像。进而通过图像随机旋转、翻转、亮度对比度增强后实现样本拓充。接着输入改进的ResNet50深度残差网络中,实现树木类型的探测。与基于像素的分类方法相比,本方案提出的方法可以同时提供林区树木的棵数及其树种信息,并有效提高了树种分类的整体精度,表明了该发明是利用高分辨率航空影像和机载LiDAR点云数据进行建筑物提取的有效方案。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的基于深度学习的单木级树种识别方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于深度学习的单木级树种识别方法,其特征在于,所述方法包括:
通过LiDAR点云数据获取冠层高度模型;
通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像;
基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别;
所述通过LiDAR点云数据获取冠层高度模型包括:
通过反向距离权重IDW插值法提取数字高程模型DEM和数字表面模型DSM;
根据DSM和DEM的差值建立了冠层高度模型CHM;
所述通过局部最大值算法与冠层高度模型进行航空影像单木分割,并裁剪得到单株树木的块状影像包括:
使用可变的移动窗口扫描新生成的树冠高度模型表面,标识局部最大值;
运用树冠与树高的经验关系构建可变的移动窗口,以局部最大值作为单木顶点;
以树冠最高点为中心截取64*64个像元的单木影像;
所述运用树冠与树高的经验关系构建窗口判断局部最大值是否为单木顶点包括:
在局部最大值对应的树冠范围内没有更高的像元点,那么该像元所在位置即为单木顶点,树冠与树高的经验关系见式如下:
width(m)=2.51503+0.00901ht2
其中:ht表示插值后的CHM模型中的树高,width表示预测的冠幅直径;
所述基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别包括:
基于单株树木的块状影像作为深度残差卷积神经网络ResNet-50中输入层的参数;通过卷积模块组逐层提取特征,残差模块配合卷积模块增强了特征的提取,最终通过分类模块实现对单木树种的分类;
所述ResNet-50中设置有四个Dropout层,所述Dropout层设置于投影快捷模块之后;
所述ResNet-50中输入层尺寸为64×64像素,对应第一个卷积模块的特征输入为64;最后一个池化层的内核大小为2,以确保最后一个要素映射的大小为1*1;所述ResNet-50中输出层中的每个神经元对应一个树种类型。
2.如权利要求1所述的基于深度学习的单木级树种识别方法,其特征在于,所述移动窗口包括大小为n*n的矩形窗口和圆形窗口,所述n为大于0的自然数。
3.如权利要求2所述的基于深度学习的单木级树种识别方法,其特征在于,所述以树冠最高点为中心截取64*64个像元的单木影像包括:
将树冠最高点与RGB航空影像进行叠加,以最高点为中心,截取单木块状影像,作为单木类型识别的输入数据;
根据树木的特征,选择单木块状尺寸为64*64,并存储为png格式;
每张树木图像按照所提取的树木编号和类型对单木进行命名。
4.如权利要求1至3所述的基于深度学习的单木级树种识别方法,其特征在于,所述深度残差卷积神经网络ResNet-50基础学习率设置为0.00001,学习率采用Adam随机优化方法进行自适应更新,最大迭代设置为200000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888236.6A CN110728197B (zh) | 2019-09-19 | 2019-09-19 | 基于深度学习的单木级树种识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888236.6A CN110728197B (zh) | 2019-09-19 | 2019-09-19 | 基于深度学习的单木级树种识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728197A CN110728197A (zh) | 2020-01-24 |
CN110728197B true CN110728197B (zh) | 2023-04-18 |
Family
ID=69219268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888236.6A Active CN110728197B (zh) | 2019-09-19 | 2019-09-19 | 基于深度学习的单木级树种识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728197B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898688B (zh) * | 2020-08-04 | 2023-12-05 | 沈阳建筑大学 | 一种基于三维深度学习的机载LiDAR数据树种分类方法 |
CN112580504B (zh) * | 2020-12-17 | 2023-01-17 | 中国科学院空天信息创新研究院 | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
CN113591766B (zh) * | 2021-08-09 | 2022-10-11 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN113935366B (zh) * | 2021-09-30 | 2023-06-23 | 海南电网有限责任公司海南输变电检修分公司 | 点云单木分割自动分类方法 |
CN114943060B (zh) * | 2022-05-16 | 2023-04-21 | 成都理工大学 | 基于深度学习与插值回归的页岩气总有机碳预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
-
2019
- 2019-09-19 CN CN201910888236.6A patent/CN110728197B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN104808191A (zh) * | 2015-05-08 | 2015-07-29 | 南京林业大学 | 一种基于全波形LiDAR单木冠层容积分解的树种分类方法 |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728197A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN108230329B (zh) | 基于多尺度卷积神经网络的语义分割方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
Shendryk et al. | Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery | |
Roy et al. | Spectral–spatial morphological attention transformer for hyperspectral image classification | |
CN113449680B (zh) | 一种基于知识蒸馏的多模小目标检测方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN107292339A (zh) | 基于特征融合的无人机低空遥感影像高分地貌分类方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
Liu et al. | Multimorphological superpixel model for hyperspectral image classification | |
CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN112434745A (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN113239736B (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 | |
CN112733614B (zh) | 一种带有相似尺寸强化识别的害虫图像检测方法 | |
Doi et al. | The effect of focal loss in semantic segmentation of high resolution aerial image | |
CN111783523A (zh) | 一种遥感影像旋转目标检测方法 | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
He et al. | Multi-spectral remote sensing land-cover classification based on deep learning methods | |
CN116385902A (zh) | 一种遥感大数据处理方法、系统及云平台 | |
CN113673556A (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |