Unveiling Ancient Maya Settlements Using Aerial LiDAR Image Segmentation

本文展示了深度学习（DL）的最新进展如何在利用YOLOv8神经网络对航空LiDAR图像中的考古结构进行精确分割方面提供高效解决方案，从而避免了手动识别考古特征的劳动密集、成本高昂和需要考古专业知识的缺点。所提出的方法采用了新颖的原始LiDAR数据预处理和数据集增强方法，以生成经过训练的YOLOv8网络，从而提高了分割两种重要的玛雅结构类型（环形结构和平台）的准确性、精度和召回率。结果显示，平台的IoU性能为0.842，环形结构为0.809，优于现有方法。此外，通过领域专家的分析，考虑了分割区域的拓扑一致性和性能与区域的关系，提供了重要的见解。该方法自动化了耗时的LiDAR图像标注，显著加速了历史景观的准确分析。

利用深度学习技术自动识别LiDAR图像中的考古结构，以加速历史景观的准确分析。

使用改进的预处理和数据增强方法来训练YOLOv8网络，以提高平台和环形结构的分割精度，并通过领域专家的分析来评估分割区域的拓扑一致性和性能。

论文使用YOLOv8神经网络自动识别LiDAR图像中的考古结构，达到了较高的IoU表现。实验中使用了改进的预处理和数据增强方法，并通过领域专家的分析来评估分割区域的拓扑一致性和性能。该方法可以自动标注LiDAR图像，加速历史景观的准确分析。

在该领域的相关研究中，也有使用深度学习技术进行LiDAR图像分割的研究，如基于U-Net的分割方法和使用卷积神经网络的分割方法。