EyeNet++: A Multiscale and Multidensity Approach for Outdoor 3-D Semantic Segmentation Inspired by the Human Visual Field
Notice bibliographique
Résumé
In processing dense 3D point cloud data for semantic segmentation, current deep learning networks face challenges maintaining a sufficient neighbourhood search area, limiting their accuracy and scalability. Inspired by the human visual field, EyeNet++ introduces a novel multi-scale and multi-density input strategy, ensuring extensive spatial coverage of a neighbourhood search area while preserving detail. The network is designed to maximize feature extraction from these diverse inputs through innovative modules. Parallel feature processing, facilitated by Messenger Fusion Block, enables the efficient exchange of complementary features between input scales. The Dense Local Feature Aggregation Block enhances feature learning by expanding receptive fields and capturing local and global context. At the same time, the Feature Merge Block seamlessly integrates features from multiple scales and densities for comprehensive and precise representation. Validated on large-scale benchmark datasets such as SensatUrban, Toronto3D, DALES, YUTOSemantic, and Semantic3D, EyeNet++ achieves state-of-the-art performance on SensatUrban, Toronto3D, and YUTOSemantic, effectively addressing the challenges posed by dense point clouds in outdoor scenes with various object sizes. The source code is available at https://github.com/Yacovitch/EyeNet2.
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 | 0,001 | 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 ».