Dans cet article, nous proposons un réseau neuronal convolutif à graphes dynamiques fusionnés multi-échelles hiérarchiques (MS-DGCNN++) pour résoudre le problème de la classification des espèces d'arbres à partir de nuages de points LiDAR terrestres. Le réseau neuronal convolutif à graphes dynamiques multi-échelles classique (MS-DGCNN) présente une limitation : il ne peut pas capturer correctement les relations sémantiques entre les niveaux hiérarchiques d'une structure arborescente avec un traitement multi-échelle parallèle. MS-DGCNN++ résout ce problème en extrayant des caractéristiques sémantiquement significatives aux échelles locale, de branche et de cime, et en propageant l'information entre les échelles. Il applique une ingénierie de caractéristiques spécifique à chaque échelle, comme des caractéristiques géométriques standard à l'échelle locale, des vecteurs relatifs normalisés à l'échelle de branche et des informations de distance à l'échelle de cime. Cela remplace le traitement parallèle uniforme par l'utilisation de représentations sémantiquement différenciées qui correspondent à la structure naturelle d'un arbre. Les résultats expérimentaux montrent que la stratégie d'augmentation des données proposée permet d'atteindre une précision de 94,96 % sur l'ensemble de données STPCTLS, surpassant ainsi DGCNN, MS-DGCNN et le modèle de pointe PPT, et une précision de 67,25 % sur l'ensemble de données FOR-species20K (amélioration de 6,1 % par rapport à MS-DGCNN). Elle surpasse également les modèles existants sur les ensembles de données ModelNet40 et ModelNet10. Comparée à la méthode de transformation de pointe, elle comporte moins de paramètres et est moins complexe, ce qui la rend adaptée aux applications aux ressources limitées.
