2025年2月挪威生物经济研究所Maciej Wielgosz等人在Remote Sensing of Environment发表了题为SegmentAnyTree: A sensor and platform agnostic deep learning model for tree segmentation using laser scanning data的文章。该研究基于单木树冠(ITC)分割技术，开发了一种不依赖于特定传感器和平台的深度学习模型(SegmentAnyTree)，该模型能够适用于从无人机激光扫描(ULS)、地面激光扫描(TLS)到移动激光扫描(MLS)等不同类型的扫描数据。
SegmentAnyTree模型基础架构
核心框架：基于PointGroup架构的3D点云实例分割模型。
主干网络：采用3D U-Net作为特征提取器，使用Minkowski Engine实现稀疏卷积，平衡性能与计算效率。
三个并行分支：语义分割分支；实例中心偏移预测分支；实例嵌入空间分支。
该研究利用多源数据集(ULS、MLS数据)设计五种不同的训练场景，并在不同冠层层次(包括林下层)评估模型性能。研究表明SegmentAnyTree模型实现了传感器与平台无关的树木分割，显著减少人工参数调优需求，在多种激光扫描数据上表现稳健，尤其在点密度 > 50 点/㎡时性能稳定，且对稀疏数据(如10点/㎡)和林下层树木的分割能力有所提升。
研究表明，在训练中引入稀疏度范围10-1000点/平方米的点云数据后，随机下采样增强策略使模型检测率提升最高达20%，F1-score提升5.3%。该策略显著提升了模型性能和跨平台迁移能力，且验证表明其效果与复杂模拟器(如Helios++)相当，证实简单增强方法已足够有效。
在与其它现有方法(如TLS2trees、YOLOv5等)的对比中，该模型的检测率相比现有方法最高可提升20%，计算效率比TLS2trees高80%，在多个公开基准数据集上展现出优越性能。
该文章提出首个端到端的多平台激光雷达单木分割框架，并证明训练不依赖传感器的模型是可行的，突破传统方法对特定传感器/数据密度的依赖，推动资源管理的精细化发展。
