التوحيد النافذة: تحسين فهم السحابة النقطية من خلال موحدَة كثافات النقط غير المتسقة

الاستخلاص المُخفض والاستخلاص المميزات هما إجراءان أساسيان لفهم السحابات ثلاثية الأبعاد من النقاط. تُعاني الطرق الحالية من كثافة النقاط غير المتساوية بين أجزاء مختلفة في السحابة النقطية. في هذا العمل، نحلل القيود الخاصة بمراحل الاستخلاص المُخفض، ونُقدّم وحدة التطبيع النافذة المُسبقة الاستخلاص (pre-abstraction group-wise window-normalization module). وبشكل خاص، نستفيد من طريقة التطبيع النافذة لتوحيد كثافة النقاط في الأجزاء المختلفة. علاوةً على ذلك، نقترح استراتيجية جماعية للحصول على ميزات متعددة الأنواع، بما في ذلك المعلومات النسيجية والمعلومات المكانية. كما نقترح وحدة مسبقة الاستخلاص لتحقيق التوازن بين الميزات المحلية والعالمية. أظهرت التجارب الواسعة أداءً أفضل للوحدة المقترحة في عدة مهام. في مهام التجزئة على مجموعة S3DIS (المنطقة 5)، أظهرت الوحدة المقترحة أداءً أفضل في تمييز الكائنات الصغيرة، مع حدود أكثر دقة مقارنةً بالطرق الأخرى. وتم تحسين دقة تمييز الأريكة والعمود من 69.2% إلى 84.4%، ومن 42.7% إلى 48.7% على التوالي. وتم تحسين النتائج على المعايير من 71.7%/77.6%/91.9% (mIoU/mAcc/OA) إلى 72.2%/78.2%/91.4%. كما بلغت دقة التحقق المتقاطع الستي (6-fold cross-validation) على S3DIS 77.6%/85.8%/91.7%. وتتفوق الوحدة المقترحة على أفضل نموذج موجود حتى الآن، وهو PointNeXt-XL (74.9%/83.0%/90.3%)، بنسبة 2.7% في mIoU، وتُحقّق أداءً يُعدّ الأفضل في مجاله. يمكن الاطلاع على الكود والنموذج عبر الرابط: https://github.com/DBDXSS/Window-Normalization.git.