绘制单株树冠图对于城市树木清单维护和森林健康监测等任务至关重要，有助于我们理解和保护环境。然而，由于纹理复杂和树冠部分重叠等因素，在航空影像中自动分离单个树冠具有挑战性。

本研究提出了一种方法，利用源自航空激光扫描数据的伪标签，训练深度学习模型从RGB和多光谱图像中分割并分离出单株树木。研究表明，这些ALS衍生的伪标签可以通过零样本实例分割模型Segment Anything Model 2进行增强。

该方法为基于光学图像的模型提供了一种获取特定领域训练标注的途径，且无需任何人工标注成本。由此训练出的分割模型，在相同任务上，其性能优于针对通用领域部署的现有可用模型。

该研究属于计算机视觉与模式识别领域，为解决航空影像中树冠自动分割的难题提供了一种高效、低成本的技术方案。