A LiDAR-Based Kolmogorov-Arnold Point Transformer Algorithm for Semantic Segmentation of Urban 3D Point Clouds
Notice bibliographique
Résumé
Accurate semantic segmentation of 3D point clouds is essential for autonomous driving, HD map updating, and road asset management. Although Point Transformer models local-global geometry with self-attention, its MLP-based feature transformations may limit representational flexibility. We propose KAN-Point Transformer by integrating a Jacobi-polynomial Kolmogorov-Arnold Network (KAN) into the Transformer Block to replace the key MLP-based transformations. On ShapeNet Part, our method improves Cat.mIoU from 76.0% to 78.1% and Ins.mIoU from$\mathbf{8 2. 7 \%}$to$\mathbf{8 4. 2 \%}$, with the best setting at$\boldsymbol{\alpha}=\boldsymbol{\beta}=\mathbf{1. 0}$and degree$\mathrm{D}=4$. On Toronto-3D with identical xyz+RGB inputs, it raises mIoU from 65.63% to 72.67%, and boosts road marking IoU from 9.69% to 59.24%. These results show that KAN-Point Transformer better exploits RGB cues and improves multimodal feature utilization in real-world segmentation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».