基于点云地图的地面分割方法，通过兴趣区域提取、点云注册和背景减除等步骤，实现了对开采矿场等复杂场景中地面的精确分割，实验结果表明，准确率达到 99.95%。

Sep, 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

本文提出了针对 LiDAR 数据的新型自动驾驶车辆的语义分割算法 PolarNet，通过極坐标系间接对齐分割网络的注意力，解决了点云分布不均等问题。在三个不同的真实城市 LiDAR 单次扫描数据集中，该编码方案显著提高了平均交并比，同时保持了接近实时的吞吐量。

Mar, 2020

本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

Jun, 2019

本文提出了一种基于卷积神经网络（CNN）训练的适用于 Velodyne 传感器稀疏 3D 数据编码的方法，用于将稀疏点云分割成地面和非地面点，并表明该方法在速度和精确度方面明显优于 Zhang 等人的最先进方法。

Sep, 2017

通过使用卷积神经网络和激光雷达数据，本研究旨在提高图像分割的效率，特别是在自动驾驶系统中的道路表面分割任务中，通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。

Nov, 2023

本文提出了一种融合了激光雷达和相机信息的语义栅格生成架构，即 LiDAR-Aided Perspective Transform Network（LAPTNet），通过使用 LiDAR 点云的 3D 信息，LAPTNet 能够将相机平面中的特征与鸟瞰图中的特征相匹配，而无需预测场景深度信息，相较于最先进的仅使用相机的方法，在 NuScenes 数据集验证集中，LAPTNet 对于所提出的类别比竞争方法的改进高达 8.8 个点（或 38.13％）。

Nov, 2022

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

本文提出了一种混合方法，结合现有语义分割网络和传统的 LiDAR 点云聚类算法，通过在 SemanticKITTI 数据集的全景分割排行榜上表现出最领先的性能，证明基于几何的传统聚类算法值得考虑，我们是第一个尝试使用聚类算法进行点云全景分割的研究者，记录了四种具有代表性和实时运行速度的聚类方法的综合技术调查，并将它们实现为 Python 函数发布，以便其他研究人员使用。

Aug, 2021

利用无人监督机器学习框架，从 LiDAR 数据中检测、提取和分析高低压电力线路以及周围植被的特征，进而进行基于电力线路走廊的危险性分析。

Aug, 2023