Computer Vision and Pattern Recognition,Machine Learning,Robotics,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , روباتیک ,
توضیحات
Submitted 9 September, 2024; originally announced September 2024. , Comments: 10 pages, 7 figures, 7 tables, this paper was accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2024
توضیحات به فارسی
ارسال شده در 9 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 10 صفحه ، 7 شکل ، 7 جدول ، این مقاله به کنفرانس بین المللی IEEE/RSJ در مورد روبات ها و سیستم های هوشمند (IROS) 2024 پذیرفته شد
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
3D point clouds enhanced the robot's ability to perceive the geometrical information of the environments, making it possible for many downstream tasks such as grasp pose detection and scene understanding. The performance of these tasks, though, heavily relies on the quality of data input, as incomplete can lead to poor results and failure cases. Recent training loss functions designed for deep learning-based point cloud completion, such as Chamfer distance (CD) and its variants (\eg HyperCD ), imply a good gradient weighting scheme can significantly boost performance. However, these CD-based loss functions usually require data-related parameter tuning, which can be time-consuming for data-extensive tasks. To address this issue, we aim to find a family of weighted training losses ({\em weighted CD}) that requires no parameter tuning. To this end, we propose a search scheme, {\em Loss Distillation via Gradient Matching}, to find good candidate loss functions by mimicking the learning behavior in backpropagation between HyperCD and weighted CD. Once this is done, we propose a novel bilevel optimization formula to train the backbone network based on the weighted CD loss. We observe that: (1) with proper weighted functions, the weighted CD can always achieve similar performance to HyperCD, and (2) the Landau weighted CD, namely {\em Landau CD}, can outperform HyperCD for point cloud completion and lead to new state-of-the-art results on several benchmark datasets. {\it Our demo code is available at \url{https://github.com/Zhang-VISLab/IROS2024-LossDistillationWeightedCD}.}
چکیده به فارسی (ترجمه ماشینی)
ابرهای نقطه سه بعدی توانایی ربات را در درک اطلاعات هندسی محیط ها تقویت می کنند و این امر را برای بسیاری از کارهای پایین دست مانند تشخیص تشخیص و درک صحنه امکان پذیر می کند.عملکرد این کارها ، به شدت به کیفیت ورودی داده ها متکی است ، زیرا ناقص می تواند منجر به نتایج ضعیف و موارد خرابی شود.توابع اخیر از دست دادن آموزش برای تکمیل ابر نقطه مبتنی بر یادگیری عمیق ، مانند فاصله چمفر (CD) و انواع آن (\ EG HyperCD) طراحی شده است ، دلالت بر یک طرح وزنه برداری شیب خوب می تواند به طور قابل توجهی عملکرد را افزایش دهد.با این حال ، این توابع از دست دادن مبتنی بر CD معمولاً به تنظیم پارامترهای مربوط به داده نیاز دارند ، که می تواند برای کارهای فشرده داده وقت گیر باشد.برای پرداختن به این مسئله ، هدف ما این است که خانواده ای از ضرر های تمرینی وزنی (CD {\ em CD}) را پیدا کنیم که نیازی به تنظیم پارامتر ندارد.برای این منظور ، ما یک طرح جستجو ، تقطیر از دست دادن از طریق تطبیق شیب را پیشنهاد می کنیم تا با تقلید از رفتار یادگیری در پشتوانه بین HyperCD و CD وزنی ، عملکردهای از دست دادن نامزد خوب را پیدا کنیم.پس از اتمام این کار ، ما یک فرمول بهینه سازی صفراوی جدید برای آموزش شبکه ستون فقرات بر اساس از دست دادن CD وزنی پیشنهاد می کنیم.ما مشاهده می کنیم که: (1) با توابع وزنی مناسب ، CD وزنی همیشه می تواند عملکرد مشابهی را با HyperCD بدست آورد ، و (2) CD وزنی Landau ، یعنی CD Landau CD} ، می تواند از HyperCD برای تکمیل نقطه ابر بهتر عمل کند و منجر به آن شود.نتایج جدید جدید در چندین مجموعه داده معیار.{\ این کد نسخه ی نمایشی ما در \ url {https://github.com/zhang-vislab/iros2024-lossdistillationweightedcd}.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
