语义嵌入引导的图自注意力网络在植物茎叶三维点云分离中的应用研究

本文提出了一种基于语义嵌入引导的图自注意力网络（SE-GSAN），通过多尺度特征提取、图卷积（GCN）与自注意力机制融合，显著提升了植物茎叶点云分割的精度（mIoU提升7.64%）。该方法创新性地结合局部几何表征与全局上下文依赖，解决了传统方法在稀疏点云和复杂植物结构中的特征判别难题，为精准农业表型分析（Pheno4D数据集验证）提供了高效解决方案。

　　

Highlight

本研究结合图卷积网络（GCN）与自注意力机制，提出语义嵌入引导的茎叶分离框架，在Plant-3D和Pheno4D数据集上实现mIoU_茎叶提升7.64%，突破传统方法在复杂植物拓扑结构中的分割瓶颈。

Methodology

编码器-解码器架构：采用四级编码层逐步扩展感受野，动态图卷积聚合邻域几何特征，自注意力机制捕捉全局依赖关系。特征增强模块：通过跨尺度图注意力融合局部（K=16邻域）与全局特征，显著提升茎-叶交界处的分割鲁棒性。损失函数设计：交叉熵损失联合语义感知判别损失（Semantic-aware Discriminative Loss），增强类内紧凑性与类间分离度。

Description of the dataset

实验选用Plant-3D（番茄/烟草/高粱）和Pheno4D（多时序点云）数据集，涵盖重叠叶片、多级分枝等复杂场景，验证模型在跨物种、跨生长阶段的泛化能力。

Effect of neighbourhood size on segmentation performance

邻域大小K的敏感性分析显示：K=16时mIoU达峰值（番茄89.7%），过小导致局部特征缺失，过大引入噪声（K>20时mIoU下降2.3%）。

Summary and outlook

未来将探索轻量化部署（如田间移动设备）与多模态数据（LiDAR+RGB-D）融合，进一步推动农业表型自动化分析。