机构名称：
¥ 1.0
多边形网格已成为离散近似3D形状的标准，这要归功于它们在捕获不均匀形状方面的效率和高灵活性。然而，这种不均匀性导致网格结构的不规则性，使诸如3D网格分割之类的任务尤其具有挑战性。通常通过基于CNN的方法来解决3D网格的语义分割，从而可以良好准确。最近，变形金刚在NLP和计算机视野领域都获得了足够的动力，至少在CNN模型中取得了表现，从而支持了长期以来的建筑普遍主义。按照这种趋势，我们提出了一种基于变压器的方法，用于通过全球注意机制对网格的图形结构进行更好的建模。为了解决标准变压器架构在建模非序列数据相对位置的局限操作员。在Maron等人提出的人类分割数据集上，对三组Coseg数据集进行了实验结果（Wang等，2012）。（2017）和Shapenet基准（Chang等，2015），展示了所提出的方法如何在3D网格的语义分割方面产生最新的性能。
通过PerilyMph采样探索内耳和大脑连通性，以早期检测神经系统疾病：一种挑衅性的建议
主要关键词
相关文件推荐
