Notice bibliographique
Résumé
The dataset introduced in "PointGauss: Point Cloud-Guided Multi-Object Segmentation for Gaussian Splatting" DesktopObjects-360, a benchmark specifically designed for 3D segmentation for radiance field (3DGS and NeRF). The key features include: 1. The dataset provides COLMAP format data, making it directly applicable to 3DGS and NeRF modeling. 2. 3D Instance annotations are available for Gaussian models. 3. Pixel-level instance segmentation annotations are provided for 2D images. 4. The instance IDs for 2D and 3D objects remain consistent across different viewpoints. The dataset contains a total of 3,364 multi-view images with fine-grained 2D and 3D instance annotations. Each scene includes 7--10 object instances (56 annotated 3D instances in total), covering common desktop items under varying layouts and occlusions. To support instance segmentation tasks, we provide 26,042 pixel-accurate 2D instance masks across all scenes, with an average of 465 masks per 3D instance, ensuring dense and consistent multi-view correspondence. The DesktopObjects-360 dataset is organized in a hierarchical directory structure, with a root folder containing six subdirectories (Desk1 through Desk6) and one PointCloud.7z. Each Desk folder follows a consistent organization scheme, as exemplified by Desk1 which contains subfolders for 1. test data (Desk1_test), 2. original images (images), 3. segmentation masks (mask), 4. visualized masks (mask_visualize), 5. pretrained model annotations (annotated\_pretrained_model(2dgs)), 6. and a class label file (class.txt). In addition, we also provide pre-trained 2D Gaussian Splatting (2DGS) models with annotations for 10 scenes from the Nerds360 dataset.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,023 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».