XJTLU dan Universiti Liverpool mencadangkan: semakan komprehensif pertama bagi peningkatan data awan titik

Lajur AIxiv ialah lajur di mana tapak ini menerbitkan kandungan akademik dan teknikal. Dalam beberapa tahun kebelakangan ini, lajur AIxiv laman web ini telah menerima lebih daripada 2,000 laporan, meliputi makmal terkemuka dari universiti dan syarikat utama di seluruh dunia, mempromosikan pertukaran dan penyebaran akademik secara berkesan. Jika anda mempunyai kerja yang sangat baik yang ingin anda kongsikan, sila berasa bebas untuk menyumbang atau hubungi kami untuk melaporkan. E-mel penyerahan: liyazhou@jiqizhixin.com; zhaoyunfeng@jiqizhixin.com

• Peningkatan awan titik asas

merujuk kepada membuang beberapa titik data dalam data awan titik, seperti ditunjukkan dalam Rajah 3. Pemilihan titik penyingkiran ditentukan oleh strategi khusus. Titik yang dibuang boleh menjadi sebahagian daripada keseluruhan data awan titik atau titik yang dipilih secara rawak dalam tempat kejadian. Penambahan keciciran membantu model pembelajaran mendalam menjadi lebih teguh kepada data yang hilang atau tidak lengkap yang mewakili adegan tersumbat atau separa kelihatan.

增 Rajah 4. Contoh peningkatan penilaian: (a) data awan titik asal, (b) data awan titik dipertingkatkan dengan jitter.

Dalam set data awan titik peringkat tempat kejadian, seperti adegan pemanduan autonomi luar, kejadian berlabel biasanya terhad. Dalam kes ini, persampelan GT menjadi kaedah penambahan data yang mudah dan berkesan.

GT-sampling merujuk kepada operasi menambahkan tika berlabel pada set data latihan Seperti yang ditunjukkan dalam Rajah 5, tika GT berlabel datang daripada set data latihan yang sama atau set data lain. Persampelan GT biasanya sesuai untuk set data awan titik peringkat pemandangan, manakala set data awan titik peringkat contoh seperti ShapeNet biasanya tidak dipertimbangkan. Pelbagai kaedah dan perbincangan berdasarkan peningkatan pensampelan GT diperincikan dalam kertas kerja.

                                                                                                                                                                                 . (b) Persampelan GT yang tidak munasabah secara semantik, satu kereta berada di dalam dinding bangunan dan satu lagi berada di dalam pokok.

Selain itu, artikel ini juga memperkenalkan strategi yang digunakan pada kaedah peningkatan data awan titik asas, seperti strategi berasaskan Patch dan strategi pengoptimuman automatik (lihat Rajah 6). Artikel ini meringkaskan kaedah peningkatan awan titik asas biasa, seperti yang ditunjukkan dalam Jadual 1. Rajah 6. Proses biasa pengoptimuman automatik.

                                   .

Peningkatan awan titik khusus

Kaedah peningkatan awan titik khusus biasanya direka untuk menyelesaikan cabaran atau senario aplikasi tertentu. Peningkatan awan titik khusus termasuk: Peningkatan campuran, peningkatan domain, peningkatan ubah bentuk lawan, peningkatan pensampelan, peningkatan penyiapan, peningkatan generatif, peningkatan multimodal dan lain-lain.

Takrifan khusus dan perbincangan kaedah peningkatan khusus ini diperincikan dalam teks. Jadual 2 memberikan gambaran keseluruhan pembangunan kaedah peningkatan khusus yang mewakili, menyediakan pelbagai maklumat. Jadual 2. Kaedah peningkatan awan titik khusus perwakilan.

Perlu diambil perhatian bahawa beberapa teknologi ubah bentuk, pensampelan tinggi, penyiapan dan penjanaan lawan semasa tidak digunakan secara langsung untuk peningkatan data awan titik, seperti yang ditunjukkan dalam Jadual 3. Untuk menyediakan klasifikasi komprehensif kaedah khusus, kaedah berpotensi ini juga disertakan dan dibincangkan dalam artikel ini. Jadual 3. Kaedah peningkatan awan titik khusus yang berpotensi.

Perbincangan

Tugas dan senario yang terpakai bagi kaedah peningkatan data awan titik dibincangkan secara terperinci dalam kertas kerja, dan peranan dalam pembelajaran awan pointency adalah peningkatan. seperti Seperti yang ditunjukkan dalam Rajah 7.

^{Figure 7. (a) Formation d'apprentissage en profondeur conventionnelle, envoi des données originales et des données améliorées au réseau d'apprentissage en profondeur pour la formation, et obtention du modèle formé, (b) Apprentissage de cohérence, en utilisant diverses méthodes d'amélioration pour modifier les points d'entrée ; Les données cloud sont transformées pour générer plusieurs variables augmentées, qui sont ensuite transmises à plusieurs réseaux pour un apprentissage cohérent, permettant ainsi d'effectuer des prédictions cohérentes pendant la formation.}

Le tableau 4 organise la littérature sur l'évaluation quantitative avant et après l'amélioration des données, montrant l'effet de l'amélioration des données. Dans le cadre de la comparaison de diverses méthodes d'augmentation, l'annexe (voir l'article pour plus de détails) fournit également un aperçu des performances quantitatives des tâches en aval utilisant des données de nuages ​​de points augmentées, ainsi que les méthodes d'augmentation utilisées dans ces tâches.

                                                                                                                                                                                                        ^{Tableau 4. Rapport sur les résultats du point amélioration des données cloud sur des performances de modèle améliorées. L'équipe de recherche a identifié neuf directions possibles pour des recherches ultérieures dans ce domaine : déformation versariale, suréchantillonnage, complétion et génération pour l’augmentation des données. Compte tenu des progrès des GAN et des modèles de diffusion, ces modèles peuvent être utilisés pour générer des instances de nuages ​​de points réalistes et diversifiées. Les recherches futures devraient évaluer ces méthodes sur des ensembles de données de référence sur des tâches spécifiques de traitement de nuages ​​de points afin d'évaluer leur efficacité en tant que techniques d'augmentation.}

Actuellement, il existe peu d'études utilisant des réseaux de base et des ensembles de données cohérents pour évaluer les performances des méthodes d'augmentation des données de nuages ​​de points pour différentes tâches de traitement de nuages ​​de points. Une telle évaluation améliorera notre compréhension des performances des différentes méthodes d’augmentation. Par conséquent, les efforts de recherche futurs pourraient se concentrer sur l’établissement de nouvelles méthodes, mesures et/ou ensembles de données pour évaluer l’efficacité des méthodes d’augmentation des données de nuages ​​de points et leur impact sur les performances des modèles d’apprentissage profond.

Certaines méthodes d'augmentation spécifiques peuvent être coûteuses en termes de calcul lorsqu'elles sont appliquées à des ensembles de données de nuages ​​de points à grande échelle. Les travaux futurs pourraient se concentrer sur le développement d’algorithmes efficaces qui concilient coût de calcul et efficacité accrue. De plus, certaines méthodes spécifiques d’amélioration des nuages ​​de points sont relativement complexes et difficiles à reproduire. Il est recommandé de développer une approche plug-and-play pour promouvoir son adoption généralisée.

Pour l'amélioration des données de nuages ​​de points, il manque une combinaison universellement acceptée d'opérations d'amélioration de base. Par conséquent, des travaux futurs sont nécessaires pour établir un protocole standard permettant de sélectionner les opérations d’augmentation pour différents domaines d’application, tâches et/ou ensembles de données sans sacrifier l’efficacité de l’augmentation.
• 
  
Plusieurs variantes de nuages ​​de points générées par l'augmentation affecteront l'efficacité de l'apprentissage de la cohérence. Actuellement, à notre connaissance, seules les méthodes de boosting de base sont utilisées dans l’apprentissage de la cohérence. L’exploration de méthodes spécifiques d’amélioration des nuages ​​de points, telles que la déformation contradictoire et l’amélioration générative, constitue un moyen intéressant d’améliorer l’efficacité de l’apprentissage de la cohérence et est considérée comme une orientation de recherche future précieuse.
• 
  
Actuellement, il existe peu de recherches sur la combinaison de méthodes de base d'amélioration des nuages ​​de points avec des méthodes spécifiques d'amélioration des nuages ​​de points. Une telle combinaison a le potentiel d’augmenter encore la polyvalence de l’augmentation des données et mérite de futures recherches.
• 
  
L'augmentation doit simuler de manière réaliste les changements dans les données du nuage de points, tels que les changements dans la taille, la position, l'orientation, l'apparence et l'environnement de l'objet, pour garantir que les données simulées sont cohérentes avec les situations du monde réel et restent sémantiquement correct. Des recherches futures pourraient envisager de normaliser les différentes plages d’amélioration pour répondre à des scénarios d’application spécifiques.
• 
  
Certaines applications, telles que la détection d'objets, peuvent impliquer des objets dynamiques dans la scène. Les nuages ​​de points capturés dans des environnements dynamiques peuvent nécessiter des stratégies d'augmentation spécifiques prenant en compte les changements temporels des objets. Par exemple, une trajectoire spécifique d'un objet en mouvement peut être conçue, ce qui peut être réalisé grâce à un ensemble d'opérations d'amélioration combinées, telles qu'une translation, une rotation et un rejet.
• 
  
ViT atteint également de solides performances dans les tâches de segmentation et de classification en combinant simplement des opérations de base. Il serait intéressant d’explorer les performances de la méthode améliorée lorsqu’elle est intégrée au ViT de pointe en tant que réseau fédérateur.
• 
  
• Références :
  
  
• 
  
• [1] Qinfeng Zhu, Lei Fan, Ningxin Weng, Advances in Point
  
  
Augmentation des données cloud pour une Apprentissage : une enquête, reconnaissance de formes (2024), doi :

https://doi.org/10.1016/j.patcog.2024.110532

Atas ialah kandungan terperinci XJTLU dan Universiti Liverpool mencadangkan: semakan komprehensif pertama bagi peningkatan data awan titik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!