PointNet: A 3D Convolutional Neural Network for real-time object class recognition
PulseAugur coverage of PointNet: A 3D Convolutional Neural Network for real-time object class recognition — every cluster mentioning PointNet: A 3D Convolutional Neural Network for real-time object class recognition across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
机器学习模型可重建混淆点云
研究人员开发了机器学习模型来攻击坐标混淆点云，这是一种用于沉浸式应用的体积视频技术。该研究评估了选择性坐标加密对这些攻击的有效性，发现虽然完全加密的坐标难以重建，但每隔一个坐标加密的方案泄露了足够的信息以进行准确重建。这表明此类加密方法的安全性高度依赖于加密的粒度。
-
新的 H3DNAS 框架在 ONNX 二进制文件上压缩 3D 点云模型
研究人员开发了 H3DNAS，一个新颖的 3D 点云模型压缩框架，可以直接在 ONNX 二进制文件上运行，无需原始源代码。该方法通过在分布式 ONNX 文件上进行压缩，解决了在 NVIDIA Jetson Orin Nano 等边缘硬件上部署模型的局限性。H3DNAS 利用通道依赖图和两阶段分层搜索来减少模型参数，并在精度损失最小的情况下提高推理速度。
-
AI模型架构和训练影响物理实验中表示的可复用性
研究人员调查了深度学习模型的架构和训练如何影响其表示，特别是在实验物理学的背景下。他们的研究重点是时间投影室（TPC）数据，这些数据可以表示为稀疏张量，并探讨了这些表示在不同实验和探测器系统之间的可复用性。通过在冻结的编码器上使用探针并将其与随机权重对照进行比较，该研究旨在区分架构与训练对下游性能的贡献。研究结果表明，架构选择显著影响TPC嵌入的结构，其中一些表示即使在微调之前或在不同的实验设置中也很有用。
-
CarBench基准发布，用于3D汽车空气动力学AI模型
研究人员推出了CarBench，这是首个用于评估高保真3D汽车空气动力学中神经代理模型的综合基准。该基准利用了DrivAerNet++数据集，该数据集包含超过8000次高保真汽车模拟。CarBench评估了十一种不同的模型架构，包括神经算子、几何深度学习模型、基于Transformer的求解器和隐式场网络。评估涵盖了预测准确性、物理一致性、计算效率和不确定性估计，该框架和预训练权重已开源，以促进数据驱动工程领域的可复现研究。
-
标志性语言识别模型使用合成深度图像
研究人员开发了使用深度图像衍生的点云进行标志性语言识别的新模型。该研究比较了使用PointNet架构和原始及合成生成的深度图像的分类准确性。使用了三个数据集——实时ASL拼写、KArSL和AUTSL，模型采用了基于帧、点手势图和长短期记忆数据结构。虽然基于原始深度数据的模型通常优于合成数据模型，但一些合成模型表现更优。
-
新的VGER框架增强了事件驱动AI模型的可解释性
研究人员推出了一种名为Voxel-Guided Global Event Ranking (VGER)的新框架，旨在归因事件驱动神经网络所做的预测。该方法解决了理解稀疏、异步事件流中哪些特定事件对模型的输出最关键的挑战。VGER结合了梯度信息和体素扰动证据，为单个事件分配影响分数，旨在提高事件驱动感知系统的透明度和可靠性。该框架在多个基准测试和网络架构上证明了其性能优于现有的点级显著性基线。
-
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。
-
Sudu Technology发布具身智能平台，具备高级技能习得能力 · 追踪1个来源
成立一年的初创公司Sudu Technology展示了其具身智能平台Sudo R1，在物体操纵和任务执行方面展现了先进的能力。该公司由3D视觉和机器人模拟领域的知名人士Su Hao教授创立，旨在构建一个全面的通用物理智能技术体系。Sudu的方法侧重于通过广泛的模拟和真实世界数据积累基础的“原子能力”，使机器人能够学习和组合技能以完成复杂任务，而不是依赖于特定任务的训练。
-
新研究推进类别无关对象姿态估计
两篇新研究论文介绍了类别无关对象姿态估计的先进方法。UniPose9D 是一个基础模型，通过使用 DINOv2 和 PointNet 特征来预测 NOCS 坐标，从而在没有类别标签的情况下估计旋转、平移和大小。TriCons-Pose 专注于几何上稳定的关键点和姿态不变描述符，使用结构一致性关键点检测器和姿态不变几何聚合器来提高在变化和遮挡下的准确性。
-
新框架使用分层3D几何结构对人脸表型进行分类
研究人员开发了FaceMesh2HPO，一个旨在对齐人类表型本体（HPO）的面部表型描述符进行分类的新框架。该系统利用分层分类流程和级联特征消除，该系统基于从2D图像派生的3D面部网格进行训练，并由124名临床医生对10种疾病进行了标注。虽然最佳模型的AUROC范围约为0.55至0.89，在更广泛的父节点上表现优于特定的叶节点术语，但外部验证显示其泛化能力参差不齐。该研究强调了3D面部几何结构的分层建模在可解释的、与本体链接的表型分类…
-
混合量子-经典神经网络在点云任务上实现高精度
研究人员推出了一种新颖的混合量子-经典神经网络 HyQuRP，它能够同时处理旋转和置换对称性。该框架集成了双重等变性，使其能够更有效地处理具有复杂对称特性的数据。在 3D 点云分类测试中，HyQuRP 与现有的经典和量子模型相比，在数据效率方面表现更优，以更少的参数实现了更高的准确率。
-
NimbleReg框架提供轻量级深度学习图像配准方案
研究人员推出NimbleReg，一个专为高效准确的微分同胚图像配准设计的新型深度学习框架。与许多依赖计算密集型网格化表示的现有方法不同，NimbleReg利用基于解剖区域表面表示的轻量级方法。该框架采用PointNet骨干网络和静止速度场参数化，以确保微分同胚特性，同时能够将多个区域映射融合为一致的变换。该论文表明，NimbleReg在对齐性能上可与最先进的基于图像的配准技术相媲美，但计算需求却显著降低。