.png){kind=icon}
返回
Optimizing 3D point cloud representations for machine learning: Advances in down-sampling techniques
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132216.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
三维点云的下采样是一种预处理步骤，用于优化大型、非结构化空间数据集中信息保留与计算效率之间的权衡。然而，目前对这些多样化的下采样技术及其对下游机器学习任务影响缺乏系统的评估。本文对智能系统中点云处理下采样方法的研究进展进行了全面分析。我们将这些方法系统地分为任务无关和任务导向两类方法，后者在将数据适配特定机器学习目标方面尤为重要。其中，以REPS（基于重建的点云采样）为代表的融合型任务导向方法在ModelNet40分类结果上达到了94.10%的最佳性能。通过对这些方法底层数学原理、算法复杂度及统计特性的严格考察，我们揭示了不同方法在计算效率与特征保留之间的权衡，这对有效神经网络训练和性能提升至关重要。我们的分析还扩展至点云表示、机器学习与计算机视觉中的应用以及评估指标，突出了在优化、统计学习和神经网络架构设计等方面针对3D数据的潜在研究方向。通过构建3D数据表示与计算效率的稳健理论框架，本研究解决了AI应用中大规模数据集可扩展处理方法的需求，并致力于标准化评估基准，以确保机器学习算法间的公平比较。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
AS-Net: An attention-aware downsampling network for point clouds oriented to classification tasks
PREAI
分享收藏
Rethinking feature aggregation for deep RGB-D salient object detection深度rgb-d显著目标检测的特征聚合再思考.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容