ModelNet40
PulseAugur coverage of ModelNet40 — every cluster mentioning ModelNet40 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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%。