Gated multi-source fusion with geometric sequence modeling for novel urban structure discovery
Notice bibliographique
Résumé
Novel Class Discovery (NCD) in 3D point cloud semantic segmentation presents critical challenges for urban management systems, where models must segment previously unseen object classes in rapidly evolving urban environments. Traditional 3D semantic segmentation models struggle to adapt to heterogeneous spatial characteristics and complex geometric structures of urban point clouds, limiting their ability to handle novel objects without extensive retraining. This paper introduces Adaptive Geometric Discovery Network (AGDNet), a comprehensive framework enhancing NCD through three key innovations: Adaptive Geometric Sequence Modeling module (AGSM), Dynamic Gaussian Embedding module (DGE), and Gated Multi-Source Feature Fusion module (GMSFF). AGSM addresses heterogeneous spatial characteristics through density-aware adaptive sampling, dynamic grouping, and multi-aspect geometric feature encoding. DGE represents point clouds as learnable 3D Gaussians parameterized by position, scale, orientation, and features, providing continuous probabilistic representations capturing both local geometric details and global spatial contexts. GMSFF integrates features from AGSM, DGE, and MinkowskiNet through context-aware gating mechanisms. The framework introduces three specialized knowledge transfer objectives for NCD: Prototype Relation Loss establishes semantic connections between known and novel class prototypes; Contrastive Alignment Loss creates instance-level semantic bridges; and Semantic Transfer Loss enables distribution-based knowledge propagation. These objectives bridge the semantic gap between known and novel categories while mitigating class imbalance challenges. Comprehensive evaluation on Toronto-3D, SemanticSTF, and SemanticPOSS datasets demonstrates significant improvements over state-of-the-art methods NOPS and CHNCD. For novel class discovery, the framework achieves average improvements of 6.47%/3.48%, 4.61%/3.12%, and 6.64%/4.24% in novel class mean Intersection over Union (mIoU) over NOPS/CHNCD respectively. For overall performance, improvements reach 6.59%/3.88%, 7.32%/4.80%, and 7.27%/4.62% in overall mIoU. These results validate the framework’s effectiveness for urban management, environmental monitoring, and infrastructure planning applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».