XiaoMi-AI文件搜索系统
World File Search System云分类
基于机器学习的3D点云分类和多个时空变化分析，并使用开源科学
方法和结果：虽然深层神经网络的新方法正在迅速发展[1]，但足够且适当的训练数据（通常是带注释的点云）的瓶颈仍然是地球科学中许多应用的主要障碍。那些饥饿的学习方法取决于训练数据的适当域表示，这对天然表面和动态具有挑战性，在较高的阶层内变异性。通过VLS生成的合成激光元点云，例如，使用开源模拟器Helios ++ [3]，可以解决一些解决方案，以克服缺乏给定任务的训练数据。在代表目标表面类的虚拟3D/4D场景中，可以模拟不同的激光雷达广告系列，所有生成的点云被自动注释。VLS软件（例如Helios ++）允许模拟给定场景的任何激光雷达平台和设置，该平台为数据增强提供了很高的潜力，并创建了针对特定应用程序的培训样品。在最近的实验[1]中，纯粹的合成训练数据可以实现类似的性能，以从现实世界中获得的昂贵标记的训练数据进行语义场景分类。
2025第29届国际计算机会议，伊朗计算机协会（CSICC）Point-LN：一个轻巧的框架云分类
摘要 - 我们介绍了Point-LN，这是一种针对有效的3D点云分类设计的新型轻量级框架。点-LN整合了必需的非参数组件 - 最远的点采样（FPS），K-Nearest邻居（K-NN）和非可学习的位置编码 - 具有流线的可学习分类器，可以显着增强分类准确性，同时维持最小参数脚部。这种混合架构可确保较低的计算成本和快速推理速度，从而使Point-LN非常适合实时和资源受限的应用程序。在包括ModelNet40和ScanObjectnn在内的基准数据集的全面评估表明，与最先进的方法相比，Point-LN在提供出色的效率的同时，达到了竞争性能。这些结果将点ln建立为一种可靠的可扩展解决方案，用于各种点云分类任务，突出了其在各种计算机视觉应用中广泛采用的潜力。有关更多详细信息，请参见以下代码：https：//github.com/asalarpour/point_ln。索引术语 - 3D点云分类，轻量级框架，非参数位置编码，机器学习，计算机视觉
使用点云分类网络
摘要 - 心肌梗塞（MI）是最普遍的心血管疾病之一，相关的临床决策通常基于单值成像生物标志物。但是，这种指标仅近似于心脏的复杂3D结构和生理，因此阻碍了对MI结果的更好理解和预测。在这项工作中，我们以点云的形式研究了完整的3D心形状的实用性，以改善对MI事件的检测。为此，我们提出了一条由3D心脏表面重建步骤组成的全自动多步管道，然后是点云分类网络。我们的方法利用了点云上的几何深度学习的最新进展，可以在心脏解剖学的高分辨率表面模型上进行直接有效的多尺度学习。我们评估了1068个英国生物银行受试者的方法，以实现普遍的MI检测和事件MI预测的任务，并在临床基准测试中分别提高了约13％和约5％的改善。此外，我们分析了每个心室和心脏相对于基于3D形状的MI检测的作用，并对通常与MI结果相关的形态和生理模式进行了视觉分析。