基于状态空间特征增强与自适应策略的单木点云枝叶分割方法

摘要

为有效利用森林点云数据测算森林碳汇，实现叶片与枝干点云的精准高效分离至关重要。森林点云具有重叠性强、特征复杂和数据量庞大等特点。现有研究方法存在计算成本高、依赖树木几何与光谱特征和跨树种泛化能力弱等问题。针对这些挑战，提出利用状态空间特征增强（PoinTramba）方法，分别采用Transformer与Mamba对组内和组间关系进行建模。基于PoinTramba框架，进一步改进其分组策略并对基于上下文关系的重排序策略做出调整，适配森林点云特性，使其具备处理森林点云驳杂数据能力的同时提高了跨树种的泛化性。试验结果表明，PoinTramba方法在测试集上取得了94.20%的总体准确率（OA）、85.53%的平均交并比（mIoU）和87.37%的平均准确率（mAcc），相较基于Transformer的方法展现出显著提升。同时，对PoinTramba方法采取的分组策略以及基于上下文关系的重排序策略的实际效果进行了分析，对比PoinTramba基础方法以及其他改进措施都有一定的优势。

关键词

三维点云 / 枝叶分离 / PoinTramba / 语义分割