لا ألم، ربح كبير: تصنيف تسلسلات السحابة النقطية الديناميكية باستخدام نماذج ثابتة من خلال مطابقة الأسطح المكانية-الزمانية على مستوى الخصائص

التدفق المكاني هو أداة قوية لتقاطع حقل الحركة للسحابات النقطية ثلاثية الأبعاد. ومع ذلك، من الصعب تطبيق نماذج التدفق مباشرة على تصنيف السحابات النقطية الديناميكية، حيث تجعل النقاط غير المنظمة تتبع مطابقات النقاط بشكل فعال وكفء صعبًا أو حتى مستحيلًا. لتقاطع حركات ثلاثية الأبعاد دون تتبع المطابقات بشكل صريح، نقترح شبكة عصبية مستوحاة من علم الحركة (Kinet) عن طريق تعميم مفهوم الأسطح الزمنية-المكانية (ST-surfaces) إلى الفضاء الخصائصي. من خلال فك طيات حل المعادلات الطبيعية للأسطح الزمنية-المكانية في الفضاء الخصائصي، تقوم Kinet بتشفير الديناميكيات على مستوى الخصائص ضمنياً وتحصل على مزايا من استخدام الهياكل الأساسية الناضجة لمعالجة السحابة النقطية الثابتة. مع وجود تغييرات طفيفة فقط في بنية الشبكة ونسبة استهلاك حسابي منخفضة، يمكن تدريب وإطلاق إطارنا العمل بسهولة مع أي نموذج ثابت معين. أظهرت التجارب على NvGesture و SHREC'17 و MSRAction-3D و NTU-RGBD فعاليتها في الأداء وكفاءتها من حيث عدد المعلمات والتعقيد الحسابي، بالإضافة إلى مرونتها لأداء مختلف الهياكل الأساسية الثابتة. يُلاحظ أن Kinet حققت دقة 93.27% على MSRAction-3D باستخدام 3.20 مليون معلمة فقط و 10.35 مليار عملية عائمة (FLOPS).