TFNet: point cloud Semantic Segmentation Network based on Triple feature extraction
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
Semantic segmentation of point clouds plays a crucial role in computer vision, with diverse applications in urban modelling, autonomous driving, and virtual reality. Despite its significance, many existing methods face challenges when dealing with large-scale datasets, such as (1) unclear or incomplete boundary segmentation and (2) poor performance on sparse objects. These limitations stem from inadequate local context extraction and insufficient handling of density variations, which hinder the accuracy and robustness of segmentation. To address these challenges, we propose TFNet, an end-to-end deep neural network specifically designed to enhance local geometric feature extraction and improve performance on density variations. TFNet introduces three key components: (1) Rotation-Invariant and Geometric Feature Extractor (RIGFE), which independently captures rotation-invariant and geometric features; (2) Annularly Convolutional Attention Pooling (ACAP), which leverages annular convolution for effective relational feature extraction in both feature and geometric spaces; and (3) Subgraph Vector of Locally Aggregated Descriptors (SGVLAD), which learns position- and scale-invariant point set features. Experimental evaluations on benchmark datasets, including S3DIS, Toronto-3D, and Nanning Power Grid, demonstrate that TFNet outperforms existing methods by effectively addressing these challenges. The results highlight its ability to deliver superior segmentation accuracy and robustness in diverse scenarios.
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