الترجمة العربية:التقسيم الدلالي لـ LiDAR ضروري للقيادة الذاتية المتقدمة ويجب أن يكون دقيقًا وسريعًا وسهل التثبيت على المنصات المتنقلة. الطرق السابقة التي تعتمد على النقاط أو الفوكسلات النادرة بعيدة عن التطبيقات في الوقت الحقيقي نظرًا لاستخدامها البحث عن الجيران الذي يستغرق وقتًا طويلاً أو الإconvolution ثلاثي الأبعاد النادر. الطرق الحديثة المستندة إلى الإسقاط ثنائي الأبعاد، بما في ذلك الرؤية المدى والدمج متعدد الآراء، يمكنها العمل في الوقت الحقيقي، لكنها تعاني من دقة أقل بسبب فقدان المعلومات أثناء الإسقاط ثنائي الأبعاد. بالإضافة إلى ذلك، لتحسين الأداء، تستخدم الطرق السابقة عادةً زيادة الاختبار في وقت التشغيل (TTA)، مما يبطئ عملية الاستدلال بشكل أكبر. لتحقيق توازن أفضل بين السرعة والدقة، نقترح شبكة الاندماج المتدرجة بين النقاط والشبكة (CPGNet)، والتي تضمن الكفاءة والفعالية بشكل رئيسي من خلال التقنيتين التاليتين: 1) كتلة الاندماج الجديدة بين النقاط والشبكة (PG) تستخرج الخصائص الدلالية بشكل أساسي على الشبكة ثنائية الأبعاد المصوَّرة لتوفير الكفاءة، بينما تلخص خصائص ثنائية وثلاثية الأبعاد على النقطة ثلاثية الأبعاد لتقليل فقدان المعلومات بأدنى حد؛ 2) الخسارة المقترحة للتوافق التحويلي تضيق الفجوة بين استدلال النموذج مرة واحدة وزيادة الاختبار في وقت التشغيل (TTA). أثبتت التجارب على مقاييس SemanticKITTI وnuScenes أن CPGNet بدون نماذج مجمعة أو زيادة الاختبار في وقت التشغيل (TTA) مكافئة لأحدث RPVNet، بينما تعمل بسرعة أكبر بنسبة 4.7 مرة.ملاحظات:- "Sparse 3D convolution" تم ترجمتها إلى "الإconvolution الثلاثي الأبعاد النادر" حيث أن "convolution" هي كلمة تقنية شائعة في هذا المجال.- "Test time augmentation (TTA)" تم حفظ اختصارها كما هو مع الشرح بين القوسين.- "Cascade Point-Grid Fusion Network (CPGNet)" تم حفظ اسم الشبكة كما هو مع الشرح بين القوسين.- "Point-Grid (PG) fusion block" تم حفظ اسم الكتلة كما هو مع الشرح بين القوسين.- "Transformation consistency loss" تم ترجمتها إلى "خسارة التوافق التحويلي".- "SemanticKITTI" و "nuScenes" هما أسماء مقاييس معروفة وبالتالي تم حفظهما كما هما.- "RPVNet" هو اسم شبكة معروفة وبالتالي تم حفظه كما هو.