Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

UST-SSM: Modelos de estados espacio-temporales unificados para el modelado de vídeo de nubes de puntos

Created by
  • Haebom

Autor

Peiming Li, Ziyi Wang, Yulin Yuan, Hong Liu, Xiangming Meng, Junsong Yuan, Mengyuan Liu

Describir

Este artículo propone el Modelo Unificado de Estados Espacio-Temporales (UST-SSM) para abordar el problema del caos espacio-temporal en vídeos de nubes de puntos. UST-SSM extiende el Modelo Selectivo de Estados Espacio-Temporales (SSM) a los vídeos de nubes de puntos e introduce la técnica de Escaneo Selectivo Espacio-Temporal (STSS), que reconstruye puntos caóticos en secuencias semánticamente reconocidas mediante agrupamiento basado en indicaciones. Además, utiliza la Agregación de Estructuras Espacio-Temporales (STSA) para compensar la información geométrica y de movimiento 4D faltante, y propone el Muestreo de Interacción Temporal (TIS) para mejorar las dependencias temporales de grano fino mediante el aprovechamiento de fotogramas no ancla y la expansión de los campos receptivos. Los resultados experimentales en los conjuntos de datos MSR-Action3D, NTU RGB+D y Synthia 4D demuestran la eficacia del método propuesto. El código fuente está disponible públicamente.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un modelo efectivo para el reconocimiento sutil y continuo de acciones humanas a partir de videos de nubes de puntos.
◦
Mejoramos el rendimiento de SSM al resolver el problema del desorden espacio-temporal.
◦
Utilice eficazmente la información espaciotemporal de los vídeos de nubes de puntos utilizando las técnicas STSS, STSA y TIS.
◦
Verificamos su rendimiento mediante experimentos en varios conjuntos de datos.
◦
La reproducibilidad se logró mediante la divulgación del código fuente.
•
Limitations:
◦
Falta un análisis detallado de la complejidad computacional y la eficiencia del método propuesto.
◦
Se necesita una evaluación adicional del rendimiento de generalización en varios tipos de datos de video de nube de puntos.
◦
Se necesita un análisis de sensibilidad sobre el rendimiento de la agrupación en clústeres basada en indicaciones.
◦
Se necesita más investigación para determinar su aplicabilidad en aplicaciones del mundo real.
👍
Made with Slashpage