ترجمه فارسی مقاله ارزیابی امتیازهای برجسته در ابرهای نقطه ای محیط های طبیعی با یادگیری ناهنجاری های سطحی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Evaluating saliency scores in point clouds of natural environments by learning surface anomalies
عنوان مقاله به فارسی ارزیابی امتیازهای برجسته در ابرهای نقطه ای محیط های طبیعی با یادگیری ناهنجاری های سطحی
نویسندگان Reuma Arav, Dennis Wittich, Franz Rottensteiner
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

In recent years, three-dimensional point clouds are used increasingly to document natural environments. Each dataset contains a diverse set of objects, at varying shapes and sizes, distributed throughout the data and intricately intertwined with the topography. Therefore, regions of interest are difficult to find and consequent analyses become a challenge. Inspired from visual perception principles, we propose to differentiate objects of interest from the cluttered environment by evaluating how much they stand out from their surroundings, i.e., their geometric salience. Previous saliency detection approaches suggested mostly handcrafted attributes for the task. However, such methods fail when the data are too noisy or have high levels of texture. Here we propose a learning-based mechanism that accommodates noise and textured surfaces. We assume that within the natural environment any change from the prevalent surface would suggest a salient object. Thus, we first learn the underlying surface and then search for anomalies within it. Initially, a deep neural network is trained to reconstruct the surface. Regions where the reconstructed part deviates significantly from the original point cloud yield a substantial reconstruction error, signifying an anomaly, i.e., saliency. We demonstrate the effectiveness of the proposed approach by searching for salient features in various natural scenarios, which were acquired by different acquisition platforms. We show the strong correlation between the reconstruction error and salient objects.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، از ابرهای نقطه سه بعدی به طور فزاینده ای برای مستند کردن محیط های طبیعی استفاده می شود.هر مجموعه داده حاوی مجموعه متنوعی از اشیاء ، با شکل ها و اندازه های مختلف ، در سراسر داده ها توزیع شده و با توپوگرافی کاملاً در هم تنیده است.بنابراین ، یافتن مناطق مورد علاقه دشوار است و تجزیه و تحلیل های متعاقب آن به یک چالش تبدیل می شوند.با الهام از اصول ادراک بصری ، ما پیشنهاد می کنیم با ارزیابی میزان ایستادگی از محیط اطراف خود ، یعنی شادی هندسی آنها ، اشیاء مورد علاقه را از محیط به هم ریخته متمایز کنیم.رویکردهای تشخیصی قبلی ، بیشتر ویژگی های دست ساز برای این کار را نشان می دهد.با این حال ، چنین روشهایی هنگامی که داده ها بیش از حد پر سر و صدا هستند یا دارای سطح بالایی از بافت هستند ، شکست می خورند.در اینجا ما یک مکانیسم مبتنی بر یادگیری را ارائه می دهیم که دارای سر و صدا و سطوح بافت است.ما فرض می کنیم که در محیط طبیعی هرگونه تغییر از سطح شایع یک شیء برجسته را پیشنهاد می کند.بنابراین ، ما ابتدا سطح زیرین را یاد می گیریم و سپس ناهنجاری های موجود در آن را جستجو می کنیم.در ابتدا ، یک شبکه عصبی عمیق برای بازسازی سطح آموزش داده می شود.مناطقی که قسمت بازسازی شده به طور قابل توجهی از ابر نقطه اصلی منحرف می شود ، خطای بازسازی قابل توجهی را نشان می دهد و نشانگر ناهنجاری ، یعنی شوری است.ما با جستجوی ویژگی های برجسته در سناریوهای مختلف طبیعی ، که توسط سیستم عامل های مختلف دستیابی به دست آمده اند ، اثربخشی رویکرد پیشنهادی را نشان می دهیم.ما همبستگی قوی بین خطای بازسازی و اشیاء برجسته را نشان می دهیم.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.