Publikasjoner
NIBIOs ansatte publiserer flere hundre vitenskapelige artikler og forskningsrapporter hvert år. Her finner du referanser og lenker til publikasjoner og andre forsknings- og formidlingsaktiviteter. Samlingen oppdateres løpende med både nytt og historisk materiale. For mer informasjon om NIBIOs publikasjoner, besøk NIBIOs bibliotek.
2018
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Forfattere
Geir-Harald StrandSammendrag
Det er ikke registrert sammendrag
Sammendrag
Inspired by the success of deep learning techniques in dense-label prediction and the increasing availability of high precision airborne light detection and ranging (LiDAR) data, we present a research process that compares a collection of well-proven semantic segmentation architectures based on the deep learning approach. Our investigation concludes with the proposition of some novel deep learning architectures for generating detailed land resource maps by employing a semantic segmentation approach. The contribution of our work is threefold. (1) First, we implement the multiclass version of the intersection-over-union (IoU) loss function that contributes to handling highly imbalanced datasets and preventing overfitting. (2) Thereafter, we propose a novel deep learning architecture integrating the deep atrous network architecture with the stochastic depth approach for speeding up the learning process, and impose a regularization effect. (3) Finally, we introduce an early fusion deep layer that combines image-based and LiDAR-derived features. In a benchmark study carried out using the Follo 2014 LiDAR data and the NIBIO AR5 land resources dataset, we compare our proposals to other deep learning architectures. A quantitative comparison shows that our best proposal provides more than 5% relative improvement in terms of mean intersection-over-union over the atrous network, providing a basis for a more frequent and improved use of LiDAR data for automatic land cover segmentation.
Sammendrag
Det er ikke registrert sammendrag