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

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

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

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

提出了一种基于 Semantic Superpoint Tree Network (SSTNet) 的端到端解决方案，其通过学习场景点的语义特征构建中间的语义超级点树（SST）， 在中间树节点处进行实例对象的建议，以及通过一个模块对错误的超级点进行修剪， 针对数据不规则性提出了一种改进的方法。在 ScanNet 和 S3DIS 的基准测试中表现出强大的实用性。

Aug, 2021

点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法，通过构建点云的层次特征树和引入一种新的点树注意力机制（PTA）来提取细粒度的局部和全局特征，从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明，该方法在 3DMatch、ModelNet40 和 KITTI 数据集上取得了优越的性能。

Jun, 2024

PointTree 是一个基于松弛 K-D 树，采用主成分分析作为分割规则的点云通用编码器，通过前向预对准进一步提高其鲁棒性，结合点描述符和点最大化操作达到优足以处理变形的点云数据的目标，在各种基准数据集上，其表现优于现有最先进方法。

Aug, 2022

本文提出了一种基于无人机激光雷达数据的无参数分割决策树的方法，该方法可以准确地识别决策树的特征并不需要决策树先验信息。该方法适用于各种地形和植被条件，在测试中正确识别 94% 的优势树和共优势树，正确识别 62% 的中等、淹没和死树，总体分割准确度为 77%。

Jan, 2017

FOR-instance 数据集为稠密机载激光扫描数据提供了一个基准数据集，旨在推进实例和语义分割技术并促进 3D 森林场景分割的进展。该数据集包含来自全球不同地点的五个精选和 ML-ready 的无人机激光扫描数据集，代表了不同的森林类型。

Sep, 2023

CherryPicker 是一个自动化的管道系统，可从樱桃树的三维点云中重构光度，执行语义分割并提取其拓扑结构，并利用几种最先进的算法进行自动化处理。

Apr, 2023