En este artículo, proponemos una red neuronal convolucional de grafos dinámicos fusionados multiescala jerárquica (MS-DGCNN++) para resolver el problema de la clasificación de especies de árboles a partir de nubes de puntos LiDAR terrestres. La red neuronal convolucional de grafos dinámicos multiescala convencional (MS-DGCNN) tiene una limitación: no puede capturar adecuadamente las relaciones semánticas entre los niveles jerárquicos de una estructura de árbol con procesamiento multiescala paralelo. MS-DGCNN++ resuelve este problema extrayendo características semánticamente significativas a escala local, de rama y de copa, y propagando información a través de ellas. Aplica ingeniería de características específica de la escala en cada escala, como características geométricas estándar a escala local, vectores relativos normalizados a escala de rama e información de distancia a escala de copa. Esto reemplaza el procesamiento paralelo uniforme mediante el uso de representaciones semánticamente diferenciadas que se ajustan a la estructura natural de un árbol. Los resultados experimentales muestran que, con la estrategia de aumento de datos propuesta, se alcanza una precisión del 94,96 % en el conjunto de datos STPCTLS, superando a DGCNN, MS-DGCNN y el modelo de vanguardia PPT, y del 67,25 % en el conjunto de datos FOR-species20K (una mejora del 6,1 % con respecto a MS-DGCNN). También supera a los modelos existentes en los conjuntos de datos ModelNet40 y ModelNet10. En comparación con el método de transformador de vanguardia, presenta menos parámetros y menor complejidad, lo que lo hace adecuado para aplicaciones con recursos limitados.
