Discusión sobre el artículo "Redes neuronales en el trading: Análisis de nubes de puntos (PointNet)"

Nuevo comentario
 

Artículo publicado Redes neuronales en el trading: Análisis de nubes de puntos (PointNet):

El análisis directo de nubes de puntos evita alcanza un tamaño de datos innecesario y mejora la eficacia de los modelos en tareas de clasificación y segmentación. Estos enfoques demuestran un alto rendimiento y solidez frente a las perturbaciones de los datos de origen.

Las nubes de puntos son estructuras sencillas y unificadas que evitan las heterogeneidades combinatorias y las complejidades en las redes. Dado que las nubes de puntos no tienen un formato convencional, la mayoría de los investigadores suelen convertir estos conjuntos de datos en redes de vóxeles 3D o conjuntos de imágenes convencionales antes de introducirlos en la arquitectura de redes profundas. No obstante, dicha transformación hace que los datos resultantes sean innecesariamente voluminosos, y también puede introducir artefactos de cuantificación que a menudo ocultan la invarianza natural de los datos.

Por esta razón, algunos investigadores han recurrido a una representación de datos diferente para la geometría 3D, utilizando simplemente una nube de puntos. Los modelos que trabajan con esa representación de los datos de origen deben considera el hecho de que una nube de puntos es simplemente un conjunto de puntos y resulta invariable a las permutaciones de sus miembros. Esto requiere una cierta simetría en los cálculos del modelo.

Una de estas soluciones se presenta en el artículo "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation". El modelo presentado, denominado PointNet , supone una solución arquitectónica unificada que toma directamente una nube de puntos como datos de entrada y devuelve etiquetas de clase para todo el conjunto de datos de origen o etiquetas de segmento (parte) para cada punto de los datos de origen.


Autor: Dmitriy Gizlyk

 
Hola. ¿Podría enviarme su muestra para probarla? No consigo nada bueno.
Nuevo comentario