Новая модель искусственного интеллекта показывает устойчивость на фоне разреженных облачных данных точек
tech-stories human-robot-interaction vision-language-models cross-modal-ai 3d-point-cloud-navigation spatial-language-grounding instance-free-localization ai-in-robotics

Новая модель искусственного интеллекта показывает устойчивость на фоне разреженных облачных данных точек

17 июля 2025 г.

Аннотация и 1. Введение

  1. Связанная работа

  2. Метод

    3.1 Обзор нашего метода

    3.2 грубое извлечение текстовых клеток

    3.3 Оценка прекрасной позиции

    3.4 Цели обучения

  3. Эксперименты

    4.1 Описание набора данных и 4.2 Подробная информация

    4.3 Критерии оценки и 4.4 результаты

  4. Анализ производительности

    5.1 Исследование абляции

    5.2 Качественный анализ

    5.3 Анализ встраивания текста

  5. Заключение и ссылки

Дополнительный материал

  1. Подробная информация о наборе данных Kitti360
  2. Больше экспериментов по экстрактору запроса экземпляра
  3. Анализ космического пространства текстовых клеток
  4. Больше результатов визуализации
  5. Анализ устойчивости точек

Анонимные авторы

  1. Подробная информация о наборе данных Kitti360
  2. Больше экспериментов по экстрактору запроса экземпляра
  3. Анализ космического пространства текстовых клеток
  4. Больше результатов визуализации
  5. Анализ устойчивости точек

Еще 4 результаты визуализации

На рис. 3 показано больше результатов визуализации, включая как результаты поиска, так и результаты оценки тонкой позиции. Результаты показывают, что грубый поиск текстовых клеток служит основополагающим шагом в общем процессе локализации. Последующая оценка тонкой позиции обычно улучшает производительность локализации. Тем не менее, есть случаи, когда точность этой прекрасной оценки подвергается нарушению, особенно когда входные описания расплывчаты. Этот вредный эффект на точность иллюстрируется в 4-я ряд и 6-й строке, если рис. 3.

Figure 3: Localization results on the KITTI360Pose dataset. In the coarse stage, the numbers in the top 3 retrieval submaps represent the center distances between retrieved submaps and the ground truth. For fine localization, pink and blue points represent the ground-truth localization and the predicted location, with the number indicating the distance between them.

Анализ устойчивости облака 5 очков

Предыдущие работы [? ? ? ] сосредоточен исключительно на изучении влияния текстовых модификаций на точность локализации, игнорируя влияние модификации точечных облаков. В этом исследовании мы также рассмотрим влияние деградации облака точек, что имеет решающее значение для полного анализа нашей модели IFRP-T2P. В отличие от накопленных точечных облаков, представленных в наборе данных Kitti360, датчики LIDAR обычно отражают только редкие облака точек в реальных настройках. Чтобы оценить надежность нашей модели в условиях редкости в облаке точечных, мы проводим эксперименты, случайно маскируя одну треть точек и сравниваем эти результаты с результатами с результатами, полученными с использованием необработанных облаков точек. Как показано на рис. 4, при приеме облака точек маскированных точек в качестве входного ввода наша модель IFRP-T2P достигает отзывов локализации 0,20 в TOP-1 с границей ошибки 𝜖 <5𝑚 в наборе валидации. По сравнению с Text2loc, который показывает деградацию 22,2%, наша модель демонстрирует более низкий уровень деградации в 15%. Этот результат указывает на то, что наша модель более устойчива к вариации облака точек.

Figure 4: Point cloud robustness analysis.

Авторы:

(1) Lichao Wang, FNII, Cuhksz (wanglichao1999@outlook.com);

(2) Zhihao Yuan, FNII и SSE, Cuhksz (zhihaoyuan@link.cuhk.edu.cn);

(3) Jinke Ren, FNII и SSE, Cuhksz (jinkeren@cuhk.edu.cn);

(4) Shuguang Cui, SSE и FNII, Cuhksz (shuguangcui@cuhk.edu.cn);

(5) Чжэнь Ли, автор -соответствующий автор из SSE и FNII, Cuhksz (lizhen@cuhk.edu.cn).

Эта статья естьДоступно на Arxivв соответствии с CC BY-NC-ND 4.0 DEED (Атрибуция-Нонкоммерка-Noderivs 4.0 International).

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE