التكافؤ المحلي للتجزئة في تعلم السحابة النقطية

طبيعة السحابات النقطية غير المنظمة تتطلب أن تكون التجميع المحلي متكيفًا مع الهياكل المحلية المختلفة. الطرق السابقة تواجه هذا التحدي من خلال إدراج العلاقات المكانية بشكل صريح في كل عملية تجميع. رغم أن هذه الطريقة المتصلة أثبتت فعاليتها في إنتاج معاني واضحة، إلا أن التجميع يمكن أن يتباطأ بشكل كبير بسبب إعادة تعلم العلاقات والحسابات الزائدة لدمج الخصائص الاتجاهية والنقطية. في هذا العمل، نقترح فصل النمذجة الصريحة للعلاقات المكانية عن التجميع المحلي. نثبت نظريًا أن العمليات الأساسية لتجميع الجيران يمكنها أيضًا العمل دون فقدان وضوح دمج الخصائص طالما تم ترميز المعلومات المكانية الأساسية في الخصائص النقطية. كتجسيد للتجميع المحلي المنفصل، نقدم DeLA (شبكة نقاط خفيفة)، حيث يتم تشكيل الترميزات المكانية النسبية أولاً في كل مرحلة تعلم، ثم يتم استخدام التوافقيات النقطية وعمليات الحد الأقصى للحواف فقط للتجميع المحلي. بالإضافة إلى ذلك، يتم استخدام حد علوي لتخفيض الغموض المحتمل من خلال التنبؤ بالإحداثيات النسبية. رغم بساطتها المفهومية، فإن النتائج التجريبية على خمسة مقاييس كلاسيكية تظهر أن DeLA تحقق أداءً رائدًا مع انخفاض أو زمن استجابة مكافئ. تحديدًا، حققت DeLA أكثر من 90٪ دقة إجمالية على ScanObjectNN و74٪ تقاطع فوق الاتحاد (mIoU) على S3DIS منطقة 5. شفرتنا متاحة على الرابط https://github.com/Matrix-ASC/DeLA .