AITOPAI热报

点云

共 3 条相关 AI 资讯
9月3日
09:13
09:13官方账号arXiv cs.LG@Mohammad Waquas Usmani, Susmit Shannigrahi, Michael Zink
研究人员评估了选择性坐标加密对机器学习重建攻击的鲁棒性。实验使用PointNet和随机森林模型，在X和2X两种加密粒度下测试。结果显示，完全加密X坐标仍具挑战性，但2X方案会通过相邻坐标泄露足够信息，实现准确重建。
论文点云坐标加密机器学习
推荐理由：论文揭示了点云加密方案的安全漏洞，2X加密模式下机器学习仍能重建加密数据。
原文
7月1日
10:37
10:37官方账号arXiv cs.AI@Emilie Vautier, Clément Mallet, Cédric Vega
法国国家森林调查局（NFI）利用32,052个样地数据与LiDAR HD项目，训练FLORA深度学习框架。FLORA可从异构LiDAR点云预测六种森林属性：优势木高度、总材积、落叶木材积、针叶木材积、胸高断面积和树干密度。模型采用八叉树主干结合生态和时空辅助变量，通过晚融合门控机制整合。单模型在落叶和常绿两种季节数据上均优于季节专用模型，优势木高度rRMSE为12.3%（R2=0.88），总材积rRMSE为39%（R2=0.74）。
论文FLORALiDAR森林属性预测
推荐理由：法国NFI用LiDAR HD数据训练的FLORA模型，单模型跨季节预测森林属性，精度超过季节专用模型。
原文
6月11日
10:08
10:08官方账号arXiv cs.LG@Balázs Gyenes, Emiliyan Gospodinov, Jan Frieling, Enrico Krohmer, Nicolas Schreiber, Xiaogang Jia, Niklas Freymuth, Gerhard Neumann
精选
该研究提出将点云从笛卡尔空间映射到高维傅里叶空间，以解决神经网络在模仿学习中难以学习高频空间特征的问题。在 RoboCasa 和 ManiSkill3 基准测试以及真实机器人实验中，傅里叶特征显著提升了基于点云的策略在精细操控任务上的表现。该方法简单、鲁棒，且适用于多种编码器架构，有望成为点云模仿学习的通用工具。
论文模仿学习机器人操控点云
推荐理由：做机器人操控和模仿学习的团队值得关注——傅里叶特征解决了神经网络对低频偏好的固有问题，让你在点云策略上直接获得高精度提升，代码和视频已开源，可以直接上手试。
原文