airborne laser scanning
PulseAugur coverage of airborne laser scanning — every cluster mentioning airborne laser scanning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
NormalView方法使用激光雷达数据实现95.5%的树种分类准确率
研究人员开发了NormalView，一种使用激光雷达数据进行树种分类的新型深度学习方法。这种基于投影的方法将几何信息嵌入到2D投影中，然后输入到YOLOv11图像分类网络。该方法取得了高准确率，在移动激光扫描（MLS）数据上达到95.5%，在航空激光扫描（ALS）数据上达到91.8%。研究还发现，整合来自多个扫描通道的多光谱辐射强度信息可以进一步提高分类性能。
-
激光雷达地点识别框架改进空地数据匹配
研究人员开发了一种新颖的空地激光雷达地点识别框架，解决了域间隙和误报等挑战。他们的方法利用块级自监督学习来增强空域和地面点云之间的特征区分性。此外，扩展互惠（ER）重排算法利用邻域信息来优化特征并改进最终排名。实验表明，在CS-Urban-Scenes和CS-Campus3D等基准数据集上，召回率得到了显著提高。
-
用于森林清单的机载激光扫描点云超分辨率
研究人员开发了一种名为 3D Forest Super Resolution (3DFSR) 的深度学习模型，以增强机载激光扫描 (ALS) 点云，从而实现更准确的森林清单。这种基于体素的、具有 U-Net 架构的 CNN 提高了点密度并减少了 ALS 数据中的噪声，从而改善了树干定位和尺寸估算。实验表明，与传统方法相比，树干检测 F1 分数和胸径 (DBH) 估算精度有了显著提高。
-
可解释模糊建模揭示了神经多样化队列在 P300 BCI 中的差异
研究人员开发了一个可解释的模糊时空框架，用于分析 P300 脑机接口 (BCI) 中大脑信号表征的差异。该新模型在肌萎缩侧索硬化症 (ALS)、自闭症 (AUT) 和神经典型 (NT) 个体队列上进行了测试，取得了与现有深度学习方法相当的性能。该框架重建模糊中心的能力揭示了波形形态和表征几何的系统性、队列依赖性变化，突出了除解码性能之外的群体异质性。
-
新AI方法可稳定地跨语言和病因表征构音障碍
研究人员开发了一种新颖的、无需训练的方法，利用自监督语音表征来评估构音障碍的严重程度。该方法分析了 12 种语言中 3,374 名说话者的语音特征子空间，识别出病因特异性的退化模式。该方法在这些模式上表现出跨语言稳定性和跨不同 SSL 主干的鲁棒性，表明其在语言无关的言语障碍表征方面具有潜力。
-
SparseGF框架改进了3D地形模型的地面过滤
研究人员开发了SparseGF，一个用于机载激光扫描数据鲁棒地面过滤的新型框架。该高度感知系统使用上下文压缩来处理大规模处理挑战，并使用专门的损失函数来防止高大物体被错误分类。评估表明，SparseGF在包括复杂的城市环境和混合景观在内的各种地形上表现良好。