实体
4D point clouds
4D point clouds
PulseAugur coverage of 4D point clouds — every cluster mentioning 4D point clouds across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新AI框架从4D点云中对地形变化进行分类
研究人员开发了DeepTopoClustering (DTC)，一个无监督框架，旨在将4D点云中的地表活动分类为分层分类法。该方法将基于对象的地表活动转化为“GeoMorphograms”，代表地形变化的演变过程。然后，卷积自编码器从这些GeoMorphograms中学习潜在嵌入，并通过分层深度聚类进行优化以组织活动。DTC在与专家标注的高度一致性方面表现出色，在区分侵蚀和沉积过程及其子类型方面优于其他方法。
-
新的SMAC框架监测制造零件的形状和颜色
研究人员开发了一个名为SMAC（Simultaneous Monitoring of shApe and Color，同步监测形状和颜色）的新框架，该框架使用4D点云来跟踪复杂制造零件的形状和表面颜色。这种无需配准的方法利用拉普拉斯-贝尔特拉米算子的谱特性来检测几何特征及其与表面颜色的关系。该系统旨在识别形状变形和颜色异常，并通过事后信号诊断程序来精确定位变化源和位置，有效检测细微缺陷。
-
新的SMAC框架监测4D点云中的形状和颜色
研究人员开发了一个名为SMAC的新框架，用于监测4D点云中的形状和表面颜色，4D点云同时表示几何和材料属性。这种无需配准的方法利用拉普拉斯-贝尔特拉米算子的谱属性来检测变形和颜色异常，而无需进行网格重建。一项关于功能梯度材料的模拟和案例研究表明，SMAC在识别细微缺陷和诊断其来源方面是有效的。