Обсуждение статьи "Нейросети в трейдинге: Анализ облака точек (PointNet)"

Новый комментарий
 

Опубликована статья Нейросети в трейдинге: Анализ облака точек (PointNet):

Прямой анализ облака точек позволяет избежать излишнего увеличения объема данных и повышает эффективность моделей в задачах классификации и сегментации. Подобные подходы демонстрируют высокую производительность и устойчивость к возмущениям в исходных данных.

Облака точек — это простые и унифицированные структуры, которые избегают комбинаторных неоднородностей и сложностей сеток. Поскольку облака точек не имеют обычного формата, большинство исследователей обычно перед передачей подобных наборов данных в архитектуру глубокой сети преобразуют их в обычные 3D-воксельные сетки или наборы изображений. Однако такое преобразование делает результирующие данные излишне объемными, а также может привести к появлению артефактов квантования, которые часто скрывают естественные инвариантности данных.

По этой причине некоторые исследователи обратились к иному представлению данных для 3D-геометрии, используя просто облако точек. Модели, работающие с подобным представлением исходных данных, должны учитывать тот факт, что облако точек является просто набором точек и инвариантно к перестановкам его членов. Это требует определенной симметризации в вычислениях модели.

Одно из таких решений было представлено в статье "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation". Представленная в ней модель под названием PointNet является унифицированным архитектурным решением, которое напрямую принимает облако точек в качестве исходных данных и возвращает либо метки классов для всего набора исходных данных, либо метки сегментов (частей) для каждой точки исходных данных.

Автор: Dmitriy Gizlyk

 
Здравствуйте. Скиньте, пожалуйста, свою выборку для пробы. У меня ничего путного не получается.
Новый комментарий