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

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

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

本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

Oct, 2022

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

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

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

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

利用多层次结构的 LiDAR 对野生森林进行 3D 注释，提出了一个同时预测 3D 点云标签和高分辨率层占用栅格的深度网络结构，以此实现对每层厚度和相应的闭合网格的精确估计，并发布了相关数据集和模型。

Apr, 2022

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