TLNet: A deep learning framework for tree detection in forest point clouds using multi-layered forest structure

Yiliu Tan

doi:10.1016/j.isprsjprs.2026.02.002

TLNet: A deep learning framework for tree detection in forest point clouds using multi-layered forest structure

2026-02-23

0

OA

AI

DOI：10.1016/j.isprsjprs.2026.02.002

原文链接

查看原文

摘要

En 中文

单木检测是森林资源清查、生长监测、森林经营规划和干扰评估的基础。激光雷达（LiDAR）为该任务提供了所需的3D结构；然而，严重的遮挡、不规则且与距离相关的点密度，以及平台相关的采样几何和可见性仍然阻碍了跨站点和传感器的稳定性能。我们提出了一种名为Tree-Layer Network（TLNet）的深度学习框架，通过将森林点云切割成一系列薄的水平切片来应对这些挑战，这些切片反映了森林地被物自然的多层组织结构（下木层、中木层和上木层）。在每个切片中，3D点通过稀疏体素卷积嵌入并映射到2D局部特征网格上。为了捕捉垂直上下文，TLNet在两个方向上融合这些网格特征图：一个自底向上的传递，将稳定的树干和下部树冠线索向上传播；以及一个自顶向下的传递，将上木层信息向下注入。可学习的标量门自适应地重新加权每个切片的网格特征，以强调最具信息量的森林层，而一个轻量级解码器预测树位置热图和坐标偏移，以实现精确定位。为缓解真实标签有限的问题，我们在完全标注的合成森林上预训练TLNet，并在来自三种激光雷达平台（地面激光扫描、移动激光扫描和无人机载激光扫描）的数据集上进行微调。在针叶林和阔叶林主导的站点上，TLNet实现了大于0.88的平均F1分数（精确率和召回率的调和平均数），优于三种基于点的深度学习骨干网络和三种平台专用的启发式检测器。这些结果表明，TLNet在跨平台一致性方面有所改进，并为下游资源清查和森林经营分析提供了准确的树干定位。

Keyword:

Tree detection

Forest liDAR point clouds

Sim-to-real transfer

Vertical stratification

Kernel-based attention

TLNet: A deep learning framework for tree detection in forest point clouds using multi-layered forest structure

摘要

AI总结

期刊

机构