MVT: متعدد الآراء لتحويل الرؤية للتمييز بين الأشياء ثلاثية الأبعاد

تم إلهام طرق النمذجة القائمة على الرؤية من النجاح الكبير الذي حققته شبكات النيورونات التلافيفية (CNN) في مجال التعرف على الصور، حيث تم تطبيق هذه الشبكات لنمذجة الآراء المُسَاقَطَة للأشياء ثلاثية الأبعاد وحققت أداءً ممتازًا. ومع ذلك، فإن نماذج CNN متعددة الآراء لا تستطيع نمذجة التواصل بين القطع من آراء مختلفة، مما يحد من فعاليتها في التعرف على الأشياء ثلاثية الأبعاد. مستوحاة من النجاح الحديث الذي حققه متحول الرؤية (Vision Transformer) في مجال التعرف على الصور، نقترح استخدام متحول الرؤية متعدد الآراء (MVT) للتعرف على الأشياء ثلاثية الأبعاد. بما أن كل خاصية قطعة داخل كتلة المتحول لديها حقل استقبال عالمي، فإنه يحقق بشكل طبيعي التواصل بين القطع من آراء مختلفة. بالإضافة إلى ذلك، فإنه يتطلب افتراضًا استقرائيًا أقل بكثير مقارنة بنماذجه المكافئة من شبكات النيورونات التلافيفية (CNN). مع الأخذ بعين الاعتبار كلٍّ من الفعالية والكفاءة، طوّرنا هيكلًا عالمي-محلي لـ MVT الخاص بنا. تُظهر تجاربنا على مقعدين عامين للمعايير، ModelNet40 وModelNet10، الأداء التنافسي لمتحول الرؤية متعدد الآراء (MVT) الخاص بنا.