ModelNet40
PulseAugur coverage of ModelNet40 — every cluster mentioning ModelNet40 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
主动脉冲感知使用膜电位进行随时3D识别
研究人员开发了主动脉冲感知（ASP），一种用于3D点云识别的新方法，该方法利用脉冲神经网络的膜电位作为信念状态。这种方法允许网络迭代地选择要观察的下一个数据块，并根据置信度边际触发提前退出。ASP在ModelNet40和ModelNet10等基准测试中取得了有竞争力的准确性，同时还提供了其他脉冲模型中不存在的随时接口。该技术还被应用于密集预测任务，在ShapeNetPart和S3DIS Area 5上取得了优异的成果。
-
自监督编码器在高效3D大语言模型方面展现出潜力
研究人员调查了低成本自监督点云编码器（特别是PCP-MAE和Point-MAE）作为3D大语言模型（3D-LLMs）昂贵的多模态编码器替代品的有效性。他们在MiniGPT-3D测试平台上的实验表明，一个端到端训练的随机初始化编码器可以实现具有竞争力的开放词汇准确率和字幕生成分数。该研究还强调了编码器架构和预训练目标之间的显著相互作用，其中PCP-MAE与MaskTransformer配对在自监督性能方面表现最佳，尽管纯粹的几何编码器在…
-
新框架支持脉冲神经网络点云的高效微调
研究人员推出 SpikePEFT，一个新颖的参数高效微调框架，专为用于点云分析的脉冲神经网络（SNN）设计。该方法解决了预训练 SNN 的传统完全微调所带来的高参数和存储开销问题。SpikePEFT 包含内在动力学调整，用于调整膜衰减和发放阈值，以及静默状态消歧适应，用于从静默状态恢复任务相关信息。实验表明，SpikePEFT 在 ModelNet40 和 ScanObjectNN 等基准测试中实现了高精度，同时仅更新约 5% 的可训…
-
新框架解决点云配准中的尺度不匹配和旋转问题
两篇新的研究论文介绍了一种用于点云配准的新型框架，点云配准是机器人领域 3D 感知中的一项关键任务。第一个，R-SLPR，通过采用涉及区域提议、匹配和精炼的多阶段方法来解决将小型或不完整的点云与大型参考点云对齐的挑战。第二个，SHReg，利用球谐函数和 SO(3) 的表示论来实现严格旋转等变点云配准，保证精确的等变性，而无需依赖脆弱的局部参考系。这两种方法在基准数据集上都展示了最先进的性能，尤其是在尺度不匹配或大旋转扰动等挑战性条件下。
-
新的MiSS框架解释3D点云分类器决策
研究人员开发了MiSS，一个用于解释3D点云分类器决策的新颖框架。这个黑盒系统使用扰动相对充分性推理来识别对分类器预测有贡献的几何区域的最小充分联盟。MiSS将候选联盟的提议与其验证分开，采用加权MaxSAT过程进行提议，并使用统计预言机进行验证。在PointNet和PointMLP分类器上对ModelNet40和ShapeNet数据集进行的实验表明，与现有的基于规则的方法相比，MiSS实现了更高的精度和覆盖率，同时还减少了解释时间。
-
DM3D：动态Mamba架构增强点云理解能力
研究人员开发了DM3D，一种新颖的动态Mamba架构，旨在增强点云理解能力。该方法通过自适应局部特征支持和状态传播，解决了现有状态空间模型（SSMs）的局限性，无需固定的token顺序。DM3D学习空间和序列偏移来调整特征采样，使tokens能够聚合更相关的局部上下文，并根据3D点距离改进信息传播。该模型在基准数据集上表现强劲，在ModelNet40和ScanObjectNN上实现了高精度，并在ShapeNetPart上取得了有竞争力的结果。
-
GaussFusion 推动多模态 3D 高斯预训练 · 跟踪 3 个来源
研究人员推出了 GaussFusion，一个专为 3D 高斯表示设计的新型多模态预训练框架。该框架通过跨模态语义对齐整合图像和文本监督，从而增强了现有方法，使高斯编码器能够学习视觉和语言层面的语义信息。为了解决高斯图元中数据分布不均匀的挑战，GaussFusion 采用了高斯显著性引导的多尺度空洞掩码技术。实验表明，GaussFusion 提高了高斯表示的可迁移性，在 ModelNet40 和 ScanObjectNN 等基准数据集上…
-
Federated learning and knowledge distillation benchmarked for 3D point cloud classification
一篇新的研究论文对联邦学习（FL）和知识蒸馏（KD）在3D点云分类中的联合使用进行了基准测试，特别是在隐私敏感和资源受限的环境中。研究表明，虽然在非独立同分布（non-IID）标签偏斜下，单独的FL性能会显著下降，但KD可以有效地压缩模型。然而，评估中发现了一个关键的陷阱，即使用代理分割上的硬标签进行蒸馏可能会掩盖联邦教师性能不佳的情况。研究人员建议使用无标签蒸馏方法，以确保报告的准确性真正反映联邦模型的质量。
-
ITNet架构统一了卷积、注意力和循环
研究人员推出了一种新颖的神经网络架构ITNet，它将卷积、注意力和循环统一为一种可学习的积分变换。该架构使用一个可学习的核（实现为MLP）来模拟成对交互，使其能够根据数据调整其行为。通过调整参数，ITNet可以恢复各种现有架构的功能，包括LSTM、GRU、S4、Mamba和自注意力。该模型在ImageNet-1K、GLUE、ModelNet40、VQA v2和NLVR2等多个基准测试中都表现出具有竞争力或更优的性能。
-
Sigma-Branch 框架为边缘 AI 减少活动参数
研究人员推出了一种名为 Sigma-Branch (SigmaB) 的新颖框架，旨在优化内存受限的边缘设备的深度神经网络。SigmaB 将密集网络重构为具有共享骨干、路由器和专用叶子的分层树，从而实现动态推理。通过仅执行一条从根到叶的路径，这种方法显著减少了每次推理的活动参数数量，从而在不牺牲模型整体容量的情况下最大限度地减少了片外权重传输。
-
GridPE 引入受神经科学启发的嵌入，适用于任意维度
研究人员引入了 GridPE，这是一个新颖的位置嵌入框架，其灵感来源于哺乳动物网格细胞的空间认知。该方法旨在提高对任意维度空间关系的理解，解决了 RoPE 等现有技术在高维任务中的局限性。GridPE 整合了计算神经科学和调和分析的原理，理论上证明了其逼近空间函数的能力，并在 2D 图像分类和 3D 点云识别等任务上展示了卓越的性能。
-
新的MAPR方法可提高三维点云免受攻击的鲁棒性
研究人员开发了一种名为流形对齐点识别（MAPR）的新方法，以提高三维点云网络在对抗性攻击下的鲁棒性。MAPR通过正则化网络的特征空间使其对内在的、保持几何形状的扰动保持不变，从而解决了潜在的几何错位问题。该方法不需要对抗性训练或额外数据，但它在ModelNet40和ScanObjectNN等基准数据集上显著提高了鲁棒性，平均分别提高了20和8个百分点以上。
-
新的 t-FCW 图表示增强了点云分析
研究人员开发了一种增强的转置全连接加权 (t-FCW) 图表示，用于将点云嵌入度量空间。这种新方法分析了使 t-FCW 生效的特性，从而构建了一个仅将其用作特征提取器的网络。增强的 t-FCW 通过维度关系提供可解释性，并实现高效处理，在 NVIDIA RTX A5000 GPU 上约 7 秒内完成 ModelNet40 分类。
-
新的MAPR框架提升三维点云鲁棒性
研究人员推出了一种名为流形对齐点识别（MAPR）的新框架，旨在增强三维点云网络对抗对抗性攻击的鲁棒性。MAPR通过将模型学习到的潜在几何与底层表面的内在几何对齐，来解决几何脆弱性的根本原因。该方法通过确保预测在内在扰动下保持一致来正则化潜在几何，而无需对抗性训练或额外数据。MAPR在ModelNet40和ScanObjectNN数据集上展示了显著的鲁棒性提升，平均增幅分别超过20%和8%。