شبكات العصبيات لاستكشاف المجال FPNN: لبيانات ثلاثية الأبعاد

بناء تمثيلات تمييزية للبيانات ثلاثية الأبعاد كان مهمة مهمة في بحوث الرسوميات الحاسوبية ورؤية الحاسوب. أثبتت شبكات العصبونات التلافيفية (CNNs) قدرتها على التعامل مع الصور ثنائية الأبعاد بنجاح كبير في مجموعة متنوعة من المهام. رفع عمليات التلفيف إلى البعد الثالث (3DCNNs) يبدو خطوة محتملة ومبشرة. ومع ذلك، فإن التعقيد الحسابي لشبكات العصبونات التلافيفية ثلاثية الأبعاد يزداد بمعدل مكعب بالنسبة لدقة الفوكسل. بالإضافة إلى ذلك، نظرًا لأن معظم تمثيلات الهندسة ثلاثية الأبعاد تعتمد على حدود السطح، فإن المناطق المشغولة لا تزيد بشكل متناسب مع حجم التقسيم، مما يؤدي إلى إهدار الحسابات. في هذا العمل، نمثل الفضاءات ثلاثية الأبعاد كحقول حجمية، ونقترح تصميمًا جديدًا يستخدم مرشحات استشعار الحقول لاستخراج الخصائص منها بكفاءة عالية. كل مرشح استشعار هو مجموعة من نقاط الاستشعار --- أجهزة استشعار تدرك الفضاء. خوارزميتنا التعليمية تحسّن ليس فقط الأوزان المرتبطة بنقاط الاستشعار، بل أيضًا مواقعها، مما يغير شكل مرشحات الاستشعار ويوزعها بشكل تكيفي في الفضاء الثلاثي الأبعاد. نقاط الاستشعار المحسنة تستشعر الفضاء الثلاثي الأبعاد "بشكل ذكي" بدلاً من العمل بطريقة عمياء على كامل المجال. نوضح أن استشعار الحقول أكثر كفاءة بكثير من شبكات العصبونات التلافيفية ثلاثية الأبعاد (3DCNNs)، بينما توفر أداءً متميزًا على مهام تصنيف مجموعات البيانات القياسية للاعتراف بالأشياء ثلاثية الأبعاد.