ScanObjectNN
PulseAugur coverage of ScanObjectNN — every cluster mentioning ScanObjectNN across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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…
-
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…
-
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%。
-
新型PointCRA网络通过新颖的注意力机制增强3D点云分析
研究人员推出PointCRA网络，这是一种用于3D点云分析的新颖方法，解决了网络深层信息丢失的问题。该方法采用通道级基于度量的增强机制，引入时间趋势变化作为新的评估维度。该框架利用邻域同质性进行权重校准，并使用专用损失函数来提高通道可辨别性，提供可解释性和参数效率。