图1 所提出的方法的概述。左下子图描绘了图形自注意模块的处理流水线。该模块首先基于空间关系构建图形，然后通过自注意机制进行分层特征传播和细化。在此过程中，节点特征X和边属性E跨层演化以提取植物点云的更丰富的结构表示。右子图突出了语义感知的区别性损失在细化特征空间分布中的作用，从而增强了类内紧凑性和类间可分性。

 图2  点云网络中的多尺度特征提取和下采样。

图3  图的关注度和邻域特征聚合。上半部分说明了跨多尺度邻域的分层消息传递过程，而下半部分描述了应用于中心节点的特征聚合和更新机制。

 图4  三种植物的人工标注和一些详细的部分。

 图5  在Plant-3D和Pheno 4D数据集上训练总损失、交叉熵损失和判别损失的损失曲线。

 图6  Plant-3D数据集上多种方法分割性能的定量比较。

 图7  三种植物的茎叶分离结果的定性比较（红色代表叶子，蓝色代表茎）。Embed表示语义感知的区分损失模块，GCN表示GCN自我注意模块，E + G表示两个模块的协作。

图8  在Plant-3D数据集上的分割结果和改进效果的比较。子图（d）中的红色区域突出显示了提出的方法优于基线的区域。

图9  Pheno4D数据集上多种方法的分割性能的定量比较。

图10  Pheno4D数据集上的语义分割结果的定性比较（红色表示叶子，蓝色表示茎）。Embed表示语义感知的区分丢失模块，GCN表示GCN自我注意模块，E + G表示两个模块的协作。

 图11  Pheno 4D数据集上的分割结果和改进效果比较。子图（d）中的红色区域突出显示了提出的方法优于基线的区域。

 图12  嵌入式学习的可视化分析（右（B和d）来自语义感知的区分性丢失）。

 图13  邻域大小K对分割性能的影响。

 图14  在多个数据集上比较不同模型的分割性能。Embed表示语义感知的区分损失模块，GCN表示GCN自我注意模块，E + G表示两个模块的协作。黑线表示中值，而橙子线表示平均值。

 图15  不同训练集的语义分割结果比较。x轴从左到右表示幼苗、营养生长、成熟、幼苗+营养生长、营养生长+成熟和全周期阶段。

 图16  在四个数据集上，所提出的方法和基线之间的精确度-召回曲线比较。

 图17  分割结果的置信度分析。（a）显示所有点预测置信度分布的直方图。（B）茎和叶类平均置信度的条形图。

 图18  用于数据采集的基于传送带的表型分析平台概述。（a）自动传送带系统上单个小麦植株的成像过程。（B）在多视图图像采集期间重建稀疏点云和相机轨迹。（c）配备RGB和多光谱传感器的成像单元。

  图19  对小麦样本进行语义分割的定性结果。图中显示了地面实况（上图）和我们的方法的预测结果（下图）。红色和蓝色分别表示叶和茎区域。