激光扫描森林点云可以提取有价值的森林管理信息。为了考虑单棵树，需要将森林点云分割成单独的树点云。现有的分割方法通常基于手工算法，例如识别树干并从中生长树木，并且在树冠重叠的茂密森林中面临困难。在这项研究中，我们提出了 \mbox{TreeLearn}，一种基于深度学习的森林点云语义和实例分割方法。与以前的方法不同，TreeLearn 以数据驱动的方式在已经分割的点云上进行训练，从而减少对预定义特征和算法的依赖。此外，我们引入了一个新的手动分割基准森林数据集，其中包含 156 棵完整树和 79 棵部分树，已经被手工清晰地分割开来。这使得实例分割性能的评估不仅仅是评估单个树的检测。我们在 6665 棵树的森林点云上训练了 TreeLearn，并使用 Lidar360 软件进行了标记。对基准数据集的评估表明，TreeLearn 的性能与用于生成训练数据的算法相同或更好。此外，通过对清晰标记的基准数据集进行微调，可以极大地提高该方法的性能。TreeLearn 代码可从 https://github.com/ecker-lab/TreeLearn 获取。数据以及经过训练的模型可以在 https://doi.org/10.25625/VPMPID 中找到。我们在 6665 棵树的森林点云上训练了 TreeLearn，并使用 Lidar360 软件进行了标记。对基准数据集的评估表明，TreeLearn 的性能与用于生成训练数据的算法相同或更好。此外，通过对清晰标记的基准数据集进行微调，可以极大地提高该方法的性能。TreeLearn 代码可从 https://github.com/ecker-lab/TreeLearn 获取。数据以及经过训练的模型可以在 https://doi.org/10.25625/VPMPID 中找到。我们在 6665 棵树的森林点云上训练了 TreeLearn，并使用 Lidar360 软件进行了标记。对基准数据集的评估表明，TreeLearn 的性能与用于生成训练数据的算法相同或更好。此外，通过对清晰标记的基准数据集进行微调，可以极大地提高该方法的性能。TreeLearn 代码可从 https://github.com/ecker-lab/TreeLearn 获取。数据以及经过训练的模型可以在 https://doi.org/10.25625/VPMPID 中找到。通过在清晰标记的基准数据集上进行微调，可以极大地提高该方法的性能。TreeLearn 代码可从 https://github.com/ecker-lab/TreeLearn 获取。数据以及经过训练的模型可以在 https://doi.org/10.25625/VPMPID 中找到。通过在清晰标记的基准数据集上进行微调，可以极大地提高该方法的性能。TreeLearn 代码可从 https://github.com/ecker-lab/TreeLearn 获取。数据以及经过训练的模型可以在 https://doi.org/10.25625/VPMPID 中找到。



"点击查看英文标题和摘要"