ELMF-Net: Semantic Segmentation of Large-Scale Point Clouds via Efficient Local Feature Learner and Multiscale Fusion
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The semantic segmentation of 3-D point clouds can precisely describe 3-D environmental information, serving as an important research direction for environmental perception in unmanned systems. However, existing methods face drawbacks owing to the limitations in local semantic feature representation and cross-scale information fusion capabilities. To address these issues, we propose ELMF-Net, an efficient and accurate semantic segmentation model for large-scale 3-D point clouds. First, we introduce a local feature learning method that does not rely on strict geometric relationships and establish a local feature learner (w-LFL) model to capture and aggregate locally semantic discriminative features from point clouds. Subsequently, a novel multiscale feature fusion (MSFF) module was designed to collaborate with the decoder to deeply integrate shallow encoding layer features at different resolutions and high-level semantic features from deep encoding layers, providing an efficient representation of objects with varying scales. Finally, we validate the performance of ELMF-Net on three large-scale datasets, Stanford large-scale 3D indoor spaces dataset (S3DIS), Toronto3D, and Semantic Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago (KITTI), demonstrating the excellent performance of the ELMF-Net network in large-scale, multitarget scene.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle