介绍了一种用于处理森林点云的方法，通过用垂直平面对森林按层次分层，估算每个层次的点密度、训练出一个避免先验假设和复杂模型的树木分割模型，并采用分布式计算对大型森林进行高效处理。

Jul, 2017

通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

Dec, 2023

本文提出了一种用于多层林分的树木分割方法，通过分层点云到冠层层和各层内的单个树冠的分段，然后应用于肯塔基州罗宾逊森林，结果表明该方法显著提高了检测底层树木的精度并适用于各种森林类型，并建议在获取更密集的 LiDAR 点云后进行改进。

Dec, 2016

本文研究利用激光雷达技术 (LiDAR) 建立森林树木分割模型，通过点密度实现森林资源的远程精确量化。同时，该方法也可以应用于其他远程感应技术以及高级成像技术，如地质亚表面建模或生物医学组织分析。

Feb, 2017

该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了 3D 森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据密度上的性能，测试了包括稀疏版本在内的五种输入数据情景，以评估其适应性和冠层功效。该基于 PointGroup 架构的模型是一个具有语义分割和实例分割两个独立头部的 3D CNN，在各种点云数据集上得到了验证。结果表明，点云稀疏化能提高性能，有助于稀疏数据处理，并改善对密集森林中的检测。该模型在每平方米大于 50 个点的密度下表现良好，但在每平方米 10 个点的情况下性能较差，由于漏掉的比例更高。它在检测率、漏掉率、错误率和 F1 分数方面优于现有方法（如 Point2Tree，TLS2trees），并在 LAUTx、Wytham Woods 和 TreeLearn 数据集上设立了新的基准。总之，该研究显示了一种对于不同激光雷达数据的无感知模型的可行性，超越了传感器特定方法，并在树木分割中树立了新的标准，特别是在复杂森林中。这对于未来的生态建模和森林管理的进步做出了贡献。

Jan, 2024

研究了深度学习方法在树木分割中的应用，通过使用七个不同数据集的训练，发现从针叶树为主的稀疏点云到阔叶树为主的高分辨率点云的泛化是可能的，但由高分辨率到低分辨率点云的泛化却具有挑战性，强调了模型开发中需要具备多样性数据特征的森林点云。

May, 2024

使用 Pointnet ++ 模型及创新的采样策略和损失函数，该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型，该模型可以有效地区分森林里木质和叶状物的点，以提高其应用场景中的精确性和可靠性。

May, 2023

利用深度学习的方法对森林点云进行语义和实例分割，通过已标注的数据和引入全新的参考数据集，该方法在提高树木分割性能方面表现出良好的成绩。

Sep, 2023

通过使用图割方法和充分利用可用数据，开发了一种三维树木描绘方法，可以识别森林中的个体树木并获得精确的树冠特征数据。

Jan, 2017

利用 LiDAR 技术和语义分割，本论文提出了一种新的点云算法，可自动检测那些长在道路上方需要修剪的树木部分，从而增强交通安全并节约宝贵的时间。

Feb, 2024