Diskussion zum Artikel "Neuronale Netze im Handel: Punktwolkenanalyse (PointNet)"
Hallo. Könnten Sie mir bitte Ihr Muster zum Ausprobieren schicken? Ich bekomme nichts Gutes.
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Neuronale Netze im Handel: Punktwolkenanalyse (PointNet) :
Punktwolken sind einfache und einheitliche Strukturen, die kombinatorische Ungereimtheiten und die mit Gitternetzen verbundene Komplexität vermeiden. Da Punktwolken kein herkömmliches Format haben, konvertieren die meisten Forscher solche Datensätze typischerweise in reguläre <i0>3D</i0>-Voxel-Gitter oder Bildsätze, bevor sie sie in eine Deep-Network-Architektur einfließen lassen. Durch diese Konvertierung werden die resultierenden Daten jedoch unnötig groß und es können Quantisierungsartefakte auftreten, die häufig die natürlichen Invarianten der Daten verschleiern.
Aus diesem Grund haben sich einige Forscher einer alternativen Darstellung der 3D-Geometrie zugewandt und verwenden direkt Punktwolken. Modelle, die mit solchen Rohdatendarstellungen arbeiten, müssen der Tatsache Rechnung tragen, dass eine Punktwolke lediglich eine Menge von Punkten ist und gegenüber Permutationen ihrer Elemente unveränderlich ist. Dies erfordert ein gewisses Maß an Symmetrisierung in den Berechnungen des Modells.
Eine solche Lösung wurde in dem Artikel „PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation“ vorgestellt. Das in dieser Arbeit vorgestellte Modell mit dem Namen PointNet ist eine einheitliche architektonische Lösung, die eine Punktwolke direkt als Input nimmt und entweder Klassenlabels für den gesamten Datensatz oder Segmentierungslabels für einzelne Punkte innerhalb des Datensatzes ausgibt.
Autor: Dmitriy Gizlyk