PineSegNet: 一种用于马尾松点云细粒度枝叶分割的深度学习方法

《Remote Sensing》：PineSegNet: A Deep Learning Method for Fine-Grained Wood-Leaf Segmentation of Masson Pine Point Clouds

　　

马尾松（Pinus massoniana）是中国南方亚热带区域的核心用材树种，其生长状况和表型特征的精确监测对于森林资源管理至关重要。为应对由枝叶结构相互缠绕和严重遮挡造成的分割挑战，本研究提出PineSegNet，一种用于马尾松点云细粒度语义分割的端到端深度学习框架。该框架采用编码器-解码器结构。在编码阶段，引入层次化局部-全局聚合模块（HLGA），通过渐进式下采样捕获多尺度特征，该设计抑制噪声并增强枝干的高频几何细节。在解码阶段，设计边界细化单元（BRU），有效抑制插值过程中的特征扩散，显著提升类别边界的清晰度。此外，本研究开发了一种具有双重监督机制的复合损失函数，即CE-Dice复合损失（CDC-Loss），以应对由类间几何相似性引起的语义混淆以及极端样本分布不平衡的挑战。实验结果表明，在自建数据集（GAOFENG）和公共数据集（FOR-instance）上，PineSegNet展现出卓越的鲁棒性和泛化能力，在统一实验设置下优于所有被评估的语义分割基线。本研究为智慧林业框架下的精准森林资源清查和树木结构分析提供了可靠的技术方案。

论文解读：PineSegNet——面向马尾松点云细粒度枝叶分割的深度学习方法

**研究背景与现存问题**
马尾松（Pinus massoniana）是中国南方亚热带区域分布最广、经营面积最大的地带性针叶树种，在区域林业经济和森林生态系统中具有战略地位，同时也是木浆和人造板工业的重要原料来源，并承担碳汇、水土保持等生态功能。精确获取其结构特征和生长动态是开展森林健康评估和实现精准林业管理的前提。传统人工测量效率低且易受干扰，而激光雷达（LiDAR）技术虽能获取高密度点云，但如何从复杂森林背景中准确分离树干、枝叶和地面仍是一大瓶颈。现有方法面临多重挑战：森林点云空间结构高度复杂，冠层密集遮挡导致树干特征在深层提取中逐渐衰减甚至淹没；枝干与叶片局部几何特征高度相似，边界区域难以精确区分；已有方法在特征上采样和融合过程中易出现特征扩散，导致分割边界模糊；此外，树木结构呈现显著多尺度特征，边缘结构和多尺度空间依赖关系的利用仍不充分。

**研究目的与意义**
本研究提出PineSegNet，一种专门针对马尾松点云枝叶结构细粒度分割的深度学习网络。该网络通过引入多尺度特征聚合机制、边界优化策略以及面向结构的损失函数约束，显著提升复杂交织区域的特征表示能力和分割稳定性。论文发表在《Remote Sensing》，为精准森林资源清查和树木结构分析提供了可靠技术方案，有助于克服森林点云分割中关键瓶颈——在遮挡和几何缠结冠层中实现可靠的枝叶分离，支持异质采集条件下的森林调查、表型特征提取和智慧林业。

**主要关键的技术方法**
研究人员基于自建马尾松数据集（GAOFENG）和公共数据集（FOR-instance）开展实验。GAOFENG数据采集于广西高峰林场（22°49′N–23°15′N, 108°08′E–108°53′E），采用地面激光扫描（TLS），使用Leica RTC360、Trimble TX8和FARO Focus3D X330激光扫描仪，多站扫描（每样地8-12站）后注册，平均密度37,263 pts·m^?2，注册误差小于2.5 cm。FOR-instance数据集包含多种森林类型（挪威寒带针叶林、捷克温带针叶林、澳大利亚桉树林、新西兰辐射松人工林、奥地利落叶林）。预处理包括噪声去除、随机下采样、语义标签映射（三类别：树干、叶片、地面）。PineSegNet采用编码器-解码器结构：编码阶段引入层次化局部-全局聚合模块（HLGA），包含多头局部聚合（MHLA）、基于窗口的全局上下文注意力（WGCA）和自适应门控特征融合（AGF）；解码阶段在每个特征上采样层后引入边界细化单元（BRU）；损失函数使用复合损失函数（CDC-Loss），即交叉熵损失与Dice损失的线性加权组合。

**研究结果**
**3.2 消融实验与模块有效性分析**
通过五组消融实验（依次替换HLGA、BRU、CDC-Loss）在六个马尾松测试样地上验证。结果表明，三者同时集成时模型性能最优，HLGA通过联合局部-全局建模显著提升被叶片包围树干的识别能力，BRU通过通道门控机制在上采样后细化特征，CDC-Loss在平衡权重（α=1.0, β=1.0）下使综合性能最佳。具体而言，+HLGA使mIoU（平均交并比）提升多达7个百分点（Plot 6）；+BRU在多数样地提升mIoU，但Plot 3出现Recall提升而IoU下降的非单调现象，表明BRU效果依赖于编码特征质量；+HLGA+BRU在Plot 3上mIoU达到90.93%，比单独+BRU高7.21个百分点，证实HLGA与BRU互补。CDC-Loss在1:1平衡配置下mIoU达92.68%，比单独交叉熵损失提高0.50个百分点，树干IoU从84.67%提升至85.89%。

**3.3 对比实验与泛化实验**
在统一实验设置下，与PointNet++、PointTransformerV3、PointNAT、U-Next对比，PineSegNet在GAOFENG上OA（总体精度）、mAcc（平均类别精度）和mIoU分别达到96.20%、96.22%和92.68%，在FOR-instance上分别为95.47%、88.43%和84.68%，均优于所有对比方法。类别分析显示，GAOFENG上树干类IoU为85.89%，F1-score为92.41%，精确率和召回率分别为92.38%和92.44%，表明假正和假负预测平衡良好；FOR-instance上树干精确率达94.54%，但召回率降至76.42%，主要跨数据集误差源于稀疏采样或遮挡结构的识别不完整。可视化结果进一步证实PineSegNet在边界区域具有更少的误标点和更强的几何连续性。计算复杂度分析表明，PineSegNet参数量25.07 M，FLOPs（浮点运算数）8.16 G，与PointNAT相近，但比PointTransformerV3减少45.70%参数和78.34% FLOPs，同时提升分割精度，在准确性与效率间取得良好平衡。

**讨论与结论**
讨论部分指出，PineSegNet的性能优势源于对特征表示、特征重建和损失监督的协同处理，区别于现有方法仅重复相同类型特征变换。HLGA中的MHLA捕获多尺度局部几何变化，WGCA补充宽空间范围的上下文信息，AGF自适应融合两类特征；BRU在解码阶段进行通道级重校准，但其效果依赖于编码特征质量，与HLGA结合后表现互补；CDC-Loss通过点级分类和区域重叠约束的互补监督，尤其有利于树干类。与现有方法相比，PineSegNet在计算规模接近PointNAT的前提下，mIoU提高4.79个百分点；在FOR-instance上跨数据集验证显示其良好的泛化能力。讨论还指出，当前框架聚焦于类别级语义分割，未来将研究轻量化网络设计、剪枝、知识蒸馏、域适应策略，并引入验证的单木标注以拓展至联合语义与实例分割。

研究结论：本研究提出PineSegNet用于马尾松点云细粒度语义分割。该框架应对多尺度结构变化、叶片遮挡、上采样过程中的特征扩散和类别不平衡问题。HLGA在编码器中整合多尺度局部几何与更广泛的上下文信息，BRU在解码器中重校准重建特征，CDC-Loss结合点级分类与区域重叠监督。PineSegNet在自建GAOFENG数据集上OA、mAcc和mIoU分别达到96.20%、96.22%和92.68%；在公共FOR-instance数据集上对应值为95.47%、88.43%和84.68%。在统一的三类映射、数据集划分和评估协议下，PineSegNet在所有被评估的语义分割方法中取得最高整体性能。性能提升源于各提出组件的互补功能：MHLA捕获多尺度局部几何变化，WGCA引入空间窗口内的上下文依赖，AGF自适应平衡两类特征源；BRU在上采样后细化重建特征；CDC-Loss在不取代点级监督的情况下强化区域重叠。复杂度分析证实精度提升不依赖于网络规模的过度增加，PineSegNet维持与PointNAT相近的计算规模，比PointTransformerV3消耗更少计算资源。当前框架聚焦于树干、叶片和地面的类别级语义分割，未来将研究轻量化网络设计、剪枝、知识蒸馏和域适应策略，并引入验证的单木标注以拓展至联合语义与实例分割，支持更精细的树木结构分析及精准森林清查和智能林业。