PV-PASBLS: A Multimodal Point-View Fusion Model Based on Parameter Adaptive Stacked Broad Learning System for 3-D Shape Recognition
Notice bibliographique
Résumé
Most existing multimodal point-view fusion models for 3-D shape recognition typically improve recognition accuracy through complex feature fusion mechanisms. However, these mechanisms significantly increase the model’s complexity and computational cost. To address this issue, a novel multimodal point-view fusion model based on a parameter adaptive stacked broad learning system (PV-PASBLS) for 3-D shape recognition is proposed. This model avoids complex feature fusion mechanisms, thereby reducing computational cost and increasing flexibility. Specifically, PV-PASBLS employs a backbone network for point cloud and multiview feature extraction to effectively capture the relevant features. Simple concatenation is then used for feature fusion. Importantly, PV-PASBLS is adaptive, allowing the backbone network to be replaced or adjusted to meet specific task requirements. Since PV-PASBLS avoids complex fusion mechanisms, the responsibility for achieving high-accuracy recognition is shifted to its classification network. To achieve this, a novel classification network, named the parameter adaptive stacked broad learning system (PASBLS), is proposed. PASBLS utilizes a new interval adaptive hyperparameter optimization (IAHPO) algorithm based on MARS. By constructing a surrogate model for a stacked broad learning system (SBLS) in PASBLS, IAHPO can quickly and efficiently identify the optimal hyperparameters, ensuring that PV-PASBLS maintains high recognition accuracy and mitigates potential accuracy losses due to the absence of complex fusion mechanisms. To validate the effectiveness of PV-PASBLS, comprehensive experiments were conducted on the public 3-D shape datasets ModelNet40 and ScanObjectNN, comparing it with state-of-the-art methods. Experimental results demonstrate that PV-PASBLS outperforms its competitors, achieving higher accuracy and improved training efficiency. In addition, the IAHPO algorithm was evaluated on the NORB classification dataset and ten UCI regression datasets, showing that it can achieve better hyperparameters with a lower computational cost.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».