ядер سفري لتنقيح الرسم البياني الفعّال على سحابات النقاط ثلاثية الأبعاد

نُقدِّم نَواةً كُرويةً لتنفيذ توليف رسومي فعّال للسُّحُب النقطية ثلاثية الأبعاد. تعتمد النواة القائمة على المقياس على تَرْقِيمٍ منهجي للمساحة ثلاثية الأبعاد المحلية لتحديد العلاقات الهندسية المميزة في البيانات. وتماثل نواة الشبكة العصبية التقليدية ذات الشبكة المنتظمة من حيث الحفاظ على خاصية التحويل غير المُتغَيِّر (translation-invariance) وخاصية الانسيابية (asymmetry)، حيث تضمن الخاصية الأولى مشاركة الأوزان بين الهياكل المحلية المشابهة في البيانات، بينما تُسهِّل الخاصية الثانية التعلُّم الدقيق للهندسة. وتُطبَّق النواة المقترحة على الشبكات العصبية الرسومية دون الحاجة إلى إنشاء مرشحات تعتمد على الحواف، مما يجعلها جذابة من حيث الأداء الحسابي بالنسبة للسُّحُب النقطية الكبيرة. في شبكاتنا الرسومية، يرتبط كل رأس بموقع نقطة واحد، وتربط الحواف النقاط المجاورة ضمن مدى مُحدَّد. ويتم تَقْليص الشبكة (coarsening) داخل الشبكة باستخدام تقنية اختيار أبعد نقطة (farthest point sampling). وتماثل الشبكات العصبية التقليدية، نُعرّف عمليات التجميع (pooling) وفك التجميع (unpooling) لشبكتنا. ونُظهِر فعالية النواة الكروية المقترحة في مهام تصنيف السُّحُب النقطية وتصنيفها الدلالي باستخدام مجموعات بيانات ModelNet وShapeNet وRueMonge2014 وScanNet وS3DIS. يمكن تنزيل الشفرة المصدرية والنموذج المدرب من خلال الرابط: https://github.com/hlei-ziyan/SPH3D-GCN.