2021年高光谱图像文献追踪_ISPRS_V.179_9

可视化分析：

实验方式：                           实验定位：

 

 

目标检测：

文献名/代码开源/推荐	研究类型	数据集	对象	实验环境	实验方法	亮点
Target-based automated matching of multiple terrestrial laser scans for complex forest scenes/(否)（3）	复杂森林	本文方法、自采	竹林	软硬结合	本文提出了一种基于目标的复杂森林场景无序多视图自动配准方法。 首先根据其强度值和模型约束识别RRT。然后根据规则几何约束关联所有扫描，并生成初始网络。在两两配准之后，该方法使用姿势图方法将所有扫描转换为一个公共坐标系，并剪除图中的假连接。 在最后一步，该方法考虑欧氏距离和模型适应度，以获得局部最优解。	所提出的方法允许我们在捕获数据后生成复杂森林场景的点云模型，而无需任何人为干预。此外，该策略通过识别RRT、预测的重叠区域和生成的初始扫描网络，提高了效率和网络收敛性。
A deep translation (GAN) based change detection network for optical and SAR remote sensing images（否）（4）	地面变化检测	Gloucester I data set Gloucester II data set California data set Shuguang village data set	洪水 洪水 洪水 村落	软件	提出了一种用于光学和SAR遥感图像的基于深度转换（GAN）的CD网络DTCDN。 首先利用图像转换来减少异质遥感图像的差异，然后利用改进的deep网络来检测两个时期之间的变化。光学和SAR遥感在四种不同数据集上的实验结果证明了该方法的有效性。	将光学与SAR遥感图像相结合从而提高网络的各项精度指标
GRNet: Geometric relation network for 3D object detection from point clouds（否）（2）	3D目标检测	indoor RGB-D datasets	室内物品	软件	在本文中，将对象点之间的几何特征描述为对象内特征，将不同对象之间的关系特征描述为对象间特征。基于这两个特征，我们提出了一种基于三维目标检测的端到端点云几何关系网络，称为几何关系网络（GRNet）。 GRNet首先使用我们提出的主干网络为每个代表点提取对象内和对象间特征。 然后，提出了一个具有可扩展损失函数的集中模块，将每个具有代表性的对象点集中到其中心。 接下来，在提案特征池操作之后，从这些移位点采样提案点。 最后，应用对象关系学习模块预测包围盒参数。	实现了高精度的室内3D物品检测
Reconstruction of lines and planes of urban buildings with angle regularization（否）（2）	建筑重构	VGG CASIA	各类建筑	软件	本文提出了一种基于角度正则化的线平面重构方法。该方法首先通过卷积神经网络（CNN）学习平面间的角度来进行LS匹配。角度正则化用于纠正不可靠的LS匹配，并逐步推断出不匹配的3D LSs。然后，在统一的优化框架下，通过合并几何约束、图像特征以及平面和角度规则性项，对生成的三维LSs和平面进行全局正则化。	利用角度正则化来纠正错误的LS匹配，并逐步探索潜在的3D LSs和不匹配LSs的平面。这大大提高了线平面重建的完整性。

分类或分割：