Point2Sequence: تعلم تمثيل الشكل للسحابات النقطية ثلاثية الأبعاد باستخدام شبكة تسلسلية إلى تسلسلية تعتمد على الانتباه

استكشاف المعلومات السياقية في المنطقة المحلية مهم لفهم وتحليل الشكل. غالباً ما تستخدم الدراسات الحالية طرقًا يدوية أو صريحة لترميز المعلومات السياقية للمناطق المحلية. ومع ذلك، من الصعب التقاط المعلومات السياقية الدقيقة بطريقة يدوية أو صريحة، مثل العلاقة بين المناطق المختلفة في منطقة محلية، مما يحد من قدرة الميزات المُتعلمة على التمييز. لحل هذه المشكلة، نقترح نموذج تعلم عميق جديد للسحابات النقطية ثلاثية الأبعاد، باسم Point2Sequence، لتعلم ميزات الشكل ثلاثي الأبعاد من خلال التقاط المعلومات السياقية الدقيقة بطريقة ضمنية جديدة. يستخدم Point2Sequence نموذج تعلم متسلسل جديد للسحابات النقطية لتقاطع العلاقات عبر جمع المناطق متعددة المقاييس لكل منطقة محلية باستخدام انتباه (Attention). تحديداً، يقوم Point2Sequence أولاً بتعلم ميزة كل مقاس منطقة في المنطقة المحلية. ثم، يلتقط العلاقة بين مقاسات المناطق أثناء عملية جمع جميع مقاسات المناطق باستخدام بنية مُشفِّر-مُفكِّك (Encoder-Decoder) تعتمد على شبكة عصبية متكررة (Recurrent Neural Network - RNN)، حيث تم اقتراح آلية انتباه لتوضيح أهمية مختلف مقاسات المناطق. تظهر نتائج التجارب أن Point2Sequence حقق أداءً رائدًا في مهام تصنيف وتقسيم الأشكال.