Point-PlaneNet: شبكة عصبية متعددة الطبقات تعتمد على نواة المستويات لتحليل سحابات النقاط
{Amir Salarpour Hassan Khotanlou Fatemeh Azizmalayeri S.M. Moein Peyghambarzadeh}
الملخص
يُعتبر السحابة النقطية تمثيلًا مناسبًا للبيانات ثلاثية الأبعاد، كما أن معظم أجهزة الاستشعار ثلاثية الأبعاد قادرة على إنتاج هذا النوع من البيانات. وبسبب الطبيعة غير المنتظمة للسحابة النقطية، يُعد تحليل هذه البيانات باستخدام خوارزميات التعلم العميق تحديًا كبيرًا. في هذا البحث، تم اقتراح شبكة عصبية تلافيفية جديدة تُسمى Point-PlaneNet، والتي تعتمد على مفهوم المسافة بين النقاط والمستويات بهدف استغلال الترابطات المكانية المحلية. كما تم تقديم عملية محلية بسيطة بديلة، تُسمى PlaneConv، والتي يمكنها استخلاص الميزات الهندسية المحلية من السحابات النقطية من خلال تعلُّم مجموعة من المستويات في الفضاء Rn. تعتمد الشبكة المقترحة على السحابات النقطية الخام كمدخلات، مما يُجنب الحاجة إلى تحويل السحابات النقطية إلى صور أو أحجام. تتميز PlaneConv بتحليل نظري بسيط، وسهولة دمجها في نماذج التعلم العميق لتحسين أدائها. ولتقييم الأداء في مهام التصنيف، وتقسيم الأجزاء، وتقسيم معنى المشهد، تم تطبيق الطريقة المقترحة على أربع مجموعات بيانات: ModelNet-40، MNIST، ShapeNet-Part، وS3DIS. وأظهرت النتائج التجريبية أداءً مقبولًا مقارنة بالطرق السابقة في جميع المهام.
مستودعات الكود
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| 3d-part-segmentation-on-shapenet-part | Point-PlaneNet | Class Average IoU: 82.5 Instance Average IoU: 85.1 |
| 3d-point-cloud-classification-on-modelnet40 | Point-PlaneNet | Mean Accuracy: 90.5 Overall Accuracy: 92.1 |
| semantic-segmentation-on-s3dis | Point-PlaneNet | Mean IoU: 54.8 Number of params: N/A oAcc: 83.9 |
| semantic-segmentation-on-shapenet | Point-PlaneNet | Mean IoU: 85.1 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.