Individual Tree Segmentation from LiDAR Point Clouds for Urban Forest Inventory

这篇具有很好参考价值的文章主要介绍了Individual Tree Segmentation from LiDAR Point Clouds for Urban Forest Inventory。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Abstract

本研究的目的是使用 LiDAR 点云数据开发单棵树级别的自动化城市森林清单的新算法。激光雷达数据包含三维结构信息,可用于估算树高、基高、树冠深度和树冠直径。这使得精确的城市森林库存可以细化到单棵树。与大多数已发布的从 LiDAR 派生的栅格表面检测单个树木的算法不同,我们直接使用 LiDAR 点云数据来分离单个树木并估计树木指标。在典型城市森林中的测试结果令人鼓舞。未来的工作将致力于通过数据融合技术协同 LiDAR 数据和光学图像来表征城市树木。

Keywords: LiDAR; individual tree extraction; tree metrics estimation

1. Introduction

城市森林被定义为生长在城市、城镇或郊区的森林或树木的集合。城市森林提供了许多好处,例如节约能源和减少空气污染。为了最大限度地发挥这些效益,出于规划和管理目的,通常需要一份城市森林清单。然而,城市林业数据库很少见、不完整且不经常更新,因为传统的地面调查耗时、昂贵且劳动密集。因此,人们对城市森林资源知之甚少。随着光探测和测距 (LiDAR) 技术的出现,预计城市森林清查可以实现自动化。

LiDAR 能够通过树冠的开口“看到”地面并检测树木的 3-D 结构。 LiDAR 在森林中的应用研究始于 80 年代。早期的工作主要集中在林分水平上使用分析 LiDAR 系统对森林进行量化 [1,2]。对于天然林管理而言,林分水平测量比个体树木水平更重要。然而,城市森林是许多不同物种和年龄的马赛克,通常具有较高程度的空间异质性。因此,社区管理者通常需要更详细的信息。

由于采样率的大幅提高,现代扫描 LiDAR 技术允许在单个树级别估计库存元素。已经探索了一系列方法来检测单棵树,其中许多方法基于 LiDAR 衍文章来源地址https://www.toymoban.com/news/detail-471848.html

到了这里,关于Individual Tree Segmentation from LiDAR Point Clouds for Urban Forest Inventory的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 论文笔记(三十九)Learning Human-to-Robot Handovers from Point Clouds

    作者:Sammy Christen,Wei Yang,Claudia P´erez-D’Arpino,Otmar Hilliges,Dieter Fox,Yu-Wei Chao 来源:Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9654-9664) 原文:https://openaccess.thecvf.com/content/CVPR2023/papers/Christen_Learning_Human-to-Robot_Handovers_From_Point_Clouds_CVPR_2023_paper.pdf 代

    2024年01月16日
    浏览(46)
  • Deep Learning for 3D Point Clouds: A Survey

    Guo Y, Wang H, Hu Q, et al. Deep learning for 3d point clouds: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. 之前组会要分享的一篇综述,太长了没读完,不知道啥时候能写完。。 最近,点云学习因其在计算机视觉、自动驾驶和机器人等许多领域的广泛应用而引起越来越多

    2024年02月05日
    浏览(42)
  • 论文笔记(四十)Goal-Auxiliary Actor-Critic for 6D Robotic Grasping with Point Clouds

    作者:Lirui Wang, Yu Xiang, Wei Yang, Arsalan Mousavian, Dieter Fox 来源:Conference on Robot Learning (pp. 70-80). PMLR. 原文:https://proceedings.mlr.press/v164/wang22a/wang22a.pdf 代码、数据和视频:https://sites.google.com/view/gaddpg 系列文章目录: 上一篇: https://blog.csdn.net/xzs1210652636/article/details/134431873 下一篇

    2024年01月17日
    浏览(50)
  • 论文阅读:Rethinking Range View Representation for LiDAR Segmentation

    来源ICCV2023 LiDAR分割对于自动驾驶感知至关重要。最近的趋势有利于基于点或体素的方法,因为它们通常产生比传统的距离视图表示更好的性能。在这项工作中,我们揭示了建立强大的距离视图模型的几个关键因素。我们观察到, “多对一”的映射 , 语义不连贯性 , 形状变

    2024年02月02日
    浏览(52)
  • 【3D目标检测】PDV(Point Density-Aware Voxels for LiDAR 3D Object Detection)

    首先,本文是 基于点云,并且将点云处理成体素 的3D目标检测网络。 本文的核心概念就是点密度,主要贡献如下: Voxel Point Centroid Localization(体素点质心定位)就是使用非空体素中点计算体素的质心,然后结合质心点的特征得到包含细粒度位置信息的点密度分布,并使用它

    2024年02月10日
    浏览(40)
  • PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

    论文下载地址:https://arxiv.org/abs/1612.00593 代码开源地址:https://github.com/charlesq34/pointnet 作者以及论文信息如下: 论文作者的公开课链接 :https://www.shenlanxueyuan.com/channel/8hQkB6hqr2/detail(大佬的课必须去感受下啊~~) 最近,开始研究基于3D点云的深度学习算法。 PointNet 作为基于

    2023年04月15日
    浏览(40)
  • 论文阅读:LIF-Seg: LiDAR and Camera Image Fusion for 3DLiDAR Semantic Segmentation

    LIF-Seg:用于 3D LiDAR 语义分割的 LiDAR 和相机图像融合 来源:华科 + 商汤 未发表2021 链接:https://arxiv.org/abs/2108.07511 个人觉得有用的和自己理解加粗和()内表示,尽量翻译的比较全,有一些官方话就没有翻译了,一些疑惑的地方欢迎大家探讨。如果对整个领域比较熟悉看一、

    2023年04月25日
    浏览(43)
  • 3D 语义分割——Scribble-Supervised LiDAR Semantic Segmentation

    😸论文( CVPR2022 Oral )主要贡献: 提出第一个涂鸦标注(scribble-annotated) 的激光雷达语义分割数据集 ScribbleKITTI 提出 类范围平衡的自训练 (class-range-balanced self-training)来应对伪标签对占据主要数量的类和近距离密集区域的 偏好 (bias)问题 通过 金字塔局部语义上下文描

    2024年02月04日
    浏览(53)
  • 基于人工智能的 CBCT 牙齿及牙槽骨全自动分割系统A fully automatic AI system for tooth and alveolar bone segmentation from

    从牙锥束CT (CBCT)图像中准确描绘单个牙齿和牙槽骨是数字牙科精确牙科保健的重要步骤。在本文中,我们提出了一种高效、精确和全自动分割真实患者CBCT图像的人工智能系统。我们的人工智能系统是在迄今为止最大的数据集上进行评估的,即使用来自15个不同中心的4,215名患

    2024年02月03日
    浏览(51)
  • Divide and Conquer: 3D Point Cloud Instance Segmentation With Point-Wise Binarization

    点云上的实例分割对于三维场景理解至关重要。大多数最先进的方法采用距离聚类,这通常是有效的,但在对具有相同语义标签的相邻对象进行分割时表现不佳(特别是当它们共享相邻点时)。由于偏移点分布不均匀,这些现有方法几乎无法聚类所有实例点。为此,我们设计

    2024年02月20日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包