首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

The Devils in the Point Clouds: 研究点云卷的稳健性 (CS)

最近,人们对在不规则采样的点云上进行卷积产生了极大的兴趣。由于点云与常规栅格图像有很大的不同,因此必须更仔细地研究卷积网络的通用性,特别是它们在输入数据的尺度和旋转变化下的鲁棒性。本文研究了点云上卷积网络PointConv的不同变体,以考察其对输入尺度和旋转变化的鲁棒性。在我们探索的变体中,有两个变体是新颖的,并产生了显著的改进。第一个是用简单得多的三阶多项式替换了基于多层感知器的权重函数,同时采用了Sobolev规范化。其次,对于3D数据集,除了常规的3D坐标外,我们还利用3D几何属性作为PointConv的输入,从而推导出一种新型的观点不变的描述符。我们还探讨了激活函数、邻域和子采样方法的选择。我们在2D MNIST和CIFAR-10数据集以及3D SemanticKITTI和ScanNet数据集上进行了实验。结果显示,在2D上,使用三阶多项式极大地提高了PointConv对尺度变化和旋转的鲁棒性,甚至超过了MNIST数据集的传统2D CNN。在3D数据集上,新颖的视点不变量描述符显著提高了PointConv的性能以及鲁棒性。我们在SemanticKITTI数据集上实现了最先进的语义分割性能,在ScanNet数据集上也实现了与目前基于点的方法中最高框架的性能相当。

04

数据分段算法:单变量均值变化

数据分割,即多变化点分析在时间序列分析和信号处理中的重要性,在自然科学和社会科学、医学、工程和金融等各个领域的应用,得到了相当大的关注。 在本次调查的第一部分,我们回顾了现有的关于规范数据分段问题的文献,旨在检测和本地化单变量时间序列均值中的多个变化点。我们概述了有关其计算复杂性和理论特性的流行方法。特别是,我们的理论讨论侧重于与特定过程可检测到哪些变化点的分离率,以及量化相应变化点估计器精度的定位速率,并区分其推导中是否采用了均匀或多尺度视点。我们进一步强调,后一种观点为研究数据分段算法的优等性提供了最为通用的设置。 可以说,规范分段问题是近几十年来提出新的数据分段算法并研究其效率的最流行的框架。在本次调查的第二部分中,我们强调在更简单、单变量环境中深入了解改变点问题的方法的长处和短处的重要性,作为解决更复杂问题的方法的垫脚石。我们用一系列示例来说明复杂分布变化与均值变化之间的连接。我们还讨论了向高维变化点问题的扩展,其中我们证明了高维性带来的挑战对于处理多个变化点时的挑战是正交的。

00

CRM正在衰落:现在是过渡到CXM的时候了

CRM和CEM / CXM是维持与客户的业务流程的基本工具。尽管相似,但有明显的区别。要选择合适的应用程序,组织需要超越这些高科技业务应用程序的字母范围。 客户关系管理(CRM)软件跟踪与销售前景和客户的交互。 CRM系统可以提供许多好处,但并非每项业务都需要一项。 客户体验管理(CEM或CXM)是一个更广泛的信息收集过程,用于跟踪,监督和组织整个客户生命周期中客户与组织之间的每个交互。它深入了解了客户体验,并通过聆听客户,分析他们的反馈以及了解他们的观点来优化客户体验,从而从其独特的角度着重于洞察力。 简而言之,两种工具都可以优化客户关系。他们如何做到这一切。 CRM有助于组织建立关系。 CXM致力于监控和改善客户体验。

00
领券