본 논문은 지상 LiDAR 점 구름으로부터의 수종 분류 문제를 해결하기 위해 계층적 다중 스케일 융합 동적 그래프 합성곱 신경망(MS-DGCNN++)을 제안한다. 기존의 다중 스케일 동적 그래프 합성곱 신경망(MS-DGCNN)은 병렬적인 다중 스케일 처리로 나무 구조의 계층적 수준 간의 의미론적 관계를 제대로 포착하지 못하는 한계를 지닌다. MS-DGCNN++는 국소, 가지, 수관 스케일에서 의미론적으로 의미 있는 특징 추출과 스케일 간 정보 전파를 통해 이 문제를 해결한다. 각 스케일별로 국소 스케일에는 표준 기하학적 특징, 가지 스케일에는 정규화된 상대 벡터, 수관 스케일에는 거리 정보를 사용하는 등 스케일 특화 특징 엔지니어링을 적용한다. 이는 나무의 자연스러운 구조에 맞춰 의미론적으로 차별화된 표현을 사용하여 균일한 병렬 처리를 대체한다. 실험 결과, 제안된 데이터 증강 전략 하에 STPCTLS 데이터셋에서 94.96%의 정확도를 달성하여 DGCNN, MS-DGCNN, 최첨단 모델 PPT를 능가했으며, FOR-species20K 데이터셋에서는 67.25%의 정확도(MS-DGCNN 대비 6.1% 향상)를 달성했다. 또한 ModelNet40 및 ModelNet10 데이터셋에서도 기존 모델들을 능가하는 성능을 보였다. 최첨단 트랜스포머 방식에 비해 매개변수 수와 복잡도가 낮아 자원 제약이 있는 애플리케이션에도 적합하다.
