التمييز الشعاعي ثلاثي الأبعاد عبر التعلم القياسي متعدد المهام

نقترح طريقة جديدة لتقسيم التسميات النموذجية لمربعات الفوكسل الكثيفة ثلاثية الأبعاد. نستهدف تمثيلات المشاهد الحجمية التي تم الحصول عليها باستخدام أجهزة استشعار العمق أو طرق الاستريو متعدد المناظر والتي تم معالجتها باستخدام إعادة بناء الدلالة ثلاثية الأبعاد أو طرق إكمال المشهد. المهمة الرئيسية هي تعلم معلومات الشكل حول نماذج الأشياء الفردية من أجل فصلها بدقة، بما في ذلك الأشياء المتصلة والمسح الضوئي غير الكامل.نحل مشكلة تسمية النماذج الثلاثية الأبعاد باستخدام استراتيجية تعلم متعددة المهام. الهدف الأول هو تعلم غرس خصائص مجردة يُجمع فيها الفوكسل ذو التسمية النموذجية نفسها بالقرب من بعضها البعض بينما يتم فصل التجمعات ذات التسميات النموذجية المختلفة عن بعضها البعض. الهدف الثاني هو تعلم معلومات النموذج من خلال تقدير كثيف لمعلومات الاتجاه لمركز كتلة كل نموذج بالنسبة لكل فوكسل. هذا يكون مفيدًا بشكل خاص لإيجاد حدود النماذج في خطوة ما بعد المعالجة للتجميع، وكذلك لتقييم جودة التقسيم للهدف الأول.كلاً من التجارب الصناعية والواقعية تظهر قابلية التطبيق ومزايا نهجنا. في الواقع، يحقق أداءً على مستوى الطليعة على معيار تقسيم النماذج الثلاثية الأبعاد لـ ScanNet (SCANet).