Алгоритмы анализа наборов точек в евклидовом пространстве должны учитывать локальные особенности. Плотность и другие атрибуты точек могут сильно варьироваться. Метод PointNet обучает кодированию каждой точки в глобальную сигнатуру, игнорируя локальную структуру. Это стало проблемой для сверточных архитектур, полагающихся на локальные шаблоны.
Для решения этой задачи был предложен PointNet++, который использует локальные области, чтобы изучать мелкие геометрические структуры и объединять их в более крупные элементы. PointNet++ включает методы для разделения набора точек и локального обучения признаков с использованием PointNet как основного строительного блока.
В отличие от статических сверточных сетей, PointNet++ создает рецептивные поля на основе данных и метрики, что увеличивает эффективность модели. Эти методы адаптивно регулируются плотностью данных, учитывая плотные и разреженн...
Читать далее...
Для решения этой задачи был предложен PointNet++, который использует локальные области, чтобы изучать мелкие геометрические структуры и объединять их в более крупные элементы. PointNet++ включает методы для разделения набора точек и локального обучения признаков с использованием PointNet как основного строительного блока.
В отличие от статических сверточных сетей, PointNet++ создает рецептивные поля на основе данных и метрики, что увеличивает эффективность модели. Эти методы адаптивно регулируются плотностью данных, учитывая плотные и разреженн...
Читать далее...