| （一）文章信息 |
标题：FO-Net: An advanced deep learning network for individual tree identification using UAV high-resolution images
期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》(中科院1区Top, IF=10.6)
作者：Jian Zeng, et al.
doi：10.1016/j.isprsjprs.2024.12.020
| （二）研究背景 |
| （三）研究数据与方法 |
（四）研究结果 |
FO-Net在定量分析实验中表现出色，其mAP50、F1分数、精确度和召回率分别为90.7%、0.85、85.8%和82.8%，显示出与传统深度学习方法相比较高的单棵树木识别精度。提出的特征提取和融合算法分别提高了单棵树木识别的精度1.1%和2.7%。基于Grad-CAM热图的定性实验也表明，FO-Net能够更多地关注高分辨率图像中单个树木的轮廓，并减少背景因素在特征提取和单棵树木识别过程中的影响。FO-Net深度学习网络在不显著增加网络参数的情况下，提高了无人机高分辨率图像中单棵树木识别的精度，为精准林业中的各种任务提供了可靠的方法。
在消融实验中，仅使用“聚合-分配”机制进行多尺度特征融合的实验A中，mAP50从85.7%提高到88.4%，召回率和精确度分别提高了1.2%和2.5%。在实验A的基础上引入自构建的自适应特征提取网络的实验A+B中，各项指标进一步提升，mAP50提高了1.4%，召回率提高了0.7%，精确度提高了0.9%。最终，在实验A+B+C中引入统一自注意力识别头，进一步提升了网络的mAP50和F1分数。与基线模型相比，FO-Net在mAP50和F1分数上分别提高了5%和0.05。此外，与其他深度学习模型相比，FO-Net在个体树木识别方面表现最佳，其mAP50达到90.7%，精确度为85.8%，召回率为82.8%，F1分数为0.85，参数数量仅为约8.9百万，计算资源和内存空间需求较低，适合实时响应的应用场景。
| （五）研究结论 |
本研究成功构建并验证了一种适用于无人机高分辨率图像的新型特征导向的单棵树木识别网络（FO-Net）。该网络通过自适应特征提取算法、基于“聚合-分配”机制的特征融合算法和统一自注意力识别头，实现了对单棵树木的精准识别。FO-Net在定量分析实验中取得了优异的性能，其mAP50和F1分数分别为90.7%和0.85，显著高于传统深度学习方法。此外，FO-Net在处理大规模图像数据时具有较高的精度和效率，使其适用于更广泛的森林资源调查和林分结构分析任务。研究结果表明，FO-Net能够有效地关注图像中的树冠，并识别出冠径较小的树木，提高了正确识别的数量，减少了错误识别和遗漏识别。因此，FO-Net为精准林业提供了一种可靠的技术支持，具有实际应用价值和推广前景。
文章来源 ：
Zeng, J., Shen, X., Zhou, K., & Cao, L. (2025). FO-Net: An advanced deep learning network for individual tree identification using UAV high-resolution images. ISPRS Journal of Photogrammetry and Remote Sensing, 220, 323-338.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
| 回复“1113获取全文！
【JAG好文推荐】基于Sentinel-1 SAR图像的极化与空间信息多尺度机器学习洪水映射方法
2024-12-05
【TGRS好文推荐】MGPACNet： 用于图像融合分类的多尺度几何先验感知跨模态网络
2024-12-04
【ISPRS好文推荐】PolyR-CNN：用于端到端多边形建筑物轮廓提取
2024-12-03
