Discussão do artigo "Redes neurais em trading: Análise de nuvem de pontos (PointNet)"
Olá. Você poderia me enviar sua amostra para eu experimentar? Não estou conseguindo nada de bom.
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais em trading: Análise de nuvem de pontos (PointNet) foi publicado:
A análise direta da nuvem de pontos permite evitar um aumento excessivo no volume de dados e aprimorar a eficiência dos modelos em tarefas de classificação e segmentação. Abordagens deste tipo demonstram um bom desempenho e resistência a perturbações nos dados brutos.
As nuvens de pontos são estruturas simples e padronizadas que evitam a heterogeneidade combinatória e a complexidade das malhas. Como não têm uma forma convencional, a maioria dos pesquisadores geralmente transforma esses conjuntos de dados em grades voxel 3D convencionais ou conjuntos de imagens antes de passá-los para a arquitetura da rede profunda. No entanto, essa conversão torna os dados resultantes excessivamente volumosos e pode introduzir artefatos de quantização, que muitas vezes ocultam as invariâncias naturais dos dados.
Por esse motivo, alguns pesquisadores recorreram a outra representação de dados para geometria 3D, utilizando apenas a nuvem de pontos. Modelos que operam com essa representação dos dados brutos devem considerar que a nuvem de pontos é um conjunto de pontos e é invariante a permutações de seus elementos. Isso exige uma certa simetrização nos cálculos do modelo.
Uma das soluções para esse problema é descrita no artigo "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation". O modelo apresentado, chamado PointNet, é uma solução arquitetônica unificada que aceita diretamente a nuvem de pontos como entrada e retorna tanto os rótulos de classe para todo o conjunto de dados quanto os rótulos de segmentos (partes) para cada ponto dos dados brutos.
Autor: Dmitriy Gizlyk