التصنيف التلقائي للسحابة النقطية عبر الاستدلال التدريجي على مكونات مجال الاستقبال

الخصائص المخفية في الشبكات العصبية غالبًا ما تفشل في تعلم تمثيل مفيد لتقسيم الأبعاد الثلاثة، نظرًا لأن التوجيهات تُعطى فقط على التنبؤات الناتجة، ويمكن حل هذه المشكلة من خلال تطبيق التوجيه الشامل على الطبقات المتوسطة. في هذه الورقة، نقدّم أول طريقة لتطبيق التوجيه الشامل على تقسيم سحابات النقاط من خلال المكون المُقترح لاستدلال مجال الاستقبال التدريجي (RFCR)، حيث تم تصميم أكواد مجال الاستقبال الهدف (RFCCs) لتسجيل الفئات داخل مجالات الاستقبال وحدات الإدخال المخفية في المُشفّر. ثم تُستخدم هذه الأكواد الهدفية لتوجيه المُفكّك لاستنتاج أكواد مجال الاستقبال تدريجيًا بطريقة استدلالية من العامة إلى الخاصة، وتحقيق التصنيفات الدلالية في النهاية. وبما أن العديد من الميزات المخفية تكون غير نشطة وذات قيمة صغيرة، مما يُسهم بشكل ضئيل في تنبؤات RFCC، نقترح تقنية تكثيف الميزات باستخدام مجال جاذبية مركّزة، والتي تُعدّ فعّالة من حيث التكافؤ مع الت régularisation للانتروبيا على الميزات. وتساهم الميزات الأكثر نشاطًا في إطلاق القدرة الكاملة لطريقة التوجيه الشاملة التي نقترحها. تم دمج طريقة التوجيه الشاملة لدينا في أربع هياكل أساسية شائعة، وتم اختبارها على ثلاث معايير صعبة. أظهرت النتائج أن طريقة التوجيه الشاملة تُحسّن بشكل ملحوظ الأداء على جميع المجموعات الثلاث. وبشكل خاص، حققت أداءً جديدًا يُعدّ الأفضل عالميًا على معيار S3DIS، وكذلك على معياري Semantic3D، وحلّت في المرتبة الأولى في معيار ScanNet بين جميع الطرق القائمة على النقاط. سيتم نشر الشفرة المصدرية بشكل عام على الرابط: https://github.com/azuki-miho/RFCR.