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。
理解微观自由度在强烈相互作用的系统的行为是许多物理领域的主要目标,范围从结构镜[1,2]到基本粒子理论[3,4],甚至延伸到量子重力[5,6]。但是,这些系统的第一原则计算通常非常困难,并且需要强大的工具。计算在系统进行相转换时特别具有挑战性,因为可能会出现新的自由度并变得相关。在这种情况下,基本理论必须始终如一地关联这两个阶段,从而描述了从一组自由度到另一组自由度的过渡。对于二阶过渡,系统在所有长度尺度上的行为取决于有限的所谓关键指数。这一问题的许多现代方法中的一种是功能重新归一化组(FRG)[7-11],也称为精确的重新归一化组(RG)或