近日，团队题为《Unsupervised Class-Guided Synthetic-to-Real Domain Adaptation for Plot-Level Forest UAV LiDAR Semantic Segmentation》的论文被 IEEE Transactions on Geoscience and Remote Sensing（TGRS）正式录用。TGRS 是遥感与地球观测领域的国际权威期刊。

该论文针对森林点云语义分割中真实标注数据稀缺、合成数据直接迁移性能下降的问题，提出了 ForestPlotUDA，一个面向样地级森林无人机 LiDAR 语义分割的无监督域适应框架。据论文介绍，这是首个专门针对样地级森林点云的同类框架。该方法以合成森林数据（Boreal3D-ULS）为源域，无需真实标注即可将语义知识迁移至真实森林场景，并针对森林场景中严重的类别不平衡与样地间结构差异，设计了样地解耦归一化、类别引导点选择（CGPS）与类别感知记忆库（CAMB）三个核心组件。

实验结果显示，在 FOR-instance 基准上，该方法将平均交并比（mIoU）从 54.71% 提升至 61.50%；在每类仅使用 5 个伪标签点的条件下，困难木本类（wood）的交并比从 22.82% 提升至 40.90%。在 SegmentedForests 地面 TLS/MLS 数据上的进一步验证表明，该方法相比直接合成到真实迁移具有一致性能提升。论文第一作者为博士生刘晶。