本研究提出了一种结合图和节点特征的多尺度图构建方法，解决了现有图聚类方法对信号变化考虑不足的问题。该方法通过提取聚类特征和计算相似度，有效进行层次聚类，并在多尺度图像和点云分割实验中验证了其有效性。

本文介绍了多种基于LiDAR的全景分割方法，如Panoster、EfficientLPS和Panoptic-PolarNet，旨在解决点云分割中的遮挡和稀疏性问题。这些方法通过创新架构和算法在多个数据集上实现了先进效果，推动了全景分割技术的发展。

本文综述了深度学习在点云处理中的最新进展，重点讨论了3D形状分类、物体检测与跟踪、点云分割等任务，分析了数据增强方法及其应用，并探讨了当前技术面临的挑战和未来研究方向。

本文综述了点云学习领域中深度学习方法在3D形状分类、物体检测与跟踪、点云分割等任务的最新进展，比较了公共数据集的结果，并探讨了未来的研究方向和挑战。

本研究探讨了在森林环境中使用深度学习进行树木检测和分割的方法。通过生成43k合成图像进行模型训练，并验证其在真实数据集上的有效性。此外，研究介绍了一个新的航拍数据集，评估了不同条件下神经网络的性能，并提出了改进点云分割准确性的框架。

本研究介绍了多种点云分割框架，如SEGCloud和SSPC-Net，旨在提高三维数据集的分割精度。通过动态交互学习和半监督方法，显著减少标注工作量并提升模型性能。实验结果表明，这些方法在多个数据集上表现优异，具有实用性和灵活性。

本文提出了一种利用空间与时间正对数据的自监督学习策略，包括点聚集学习和无监督物体跟踪方法。该方法在点云分割领域胜过现有的只利用空间信息或忽略时序性质的自监督学习方法。

该文介绍了一种解决全监督点云分割方法无法应对新类别的问题的广义少样本点云分割范式。该方法通过学习适应新类别，同时保持对基类别的分割能力，引入了几何单词和几何原型来提高分割准确性。实验证明该方法在 S3DIS 和 ScanNet 上的性能优于基准方法。