विज़ुअल एआई गाइड

अधिभोग नेटवर्क और अंतर्निहित 3डी आकार

एक अधिभोग नेटवर्क यह अनुमान लगाकर एक 3डी आकार का प्रतिनिधित्व करता है कि पूछताछ किए गए स्थानिक बिंदु इसकी सतह के अंदर या बाहर हैं, आमतौर पर एक छवि या अन्य अवलोकन पर वातानुकूलित।

इस गाइड को सुनेंएआई-नैरेटेड · ~3 min

इस पृष्ठ पर3 मिनट लाल
  1. सिंहावलोकन
  2. गहरा गोता
  3. वास्तविक विश्व कार्यान्वयन
  4. ऑक्युपेंसी नेटवर्क और अंतर्निहित 3डी आकृतियों का भविष्य
  5. इसे व्यवहार में लाना
  6. अन्वेषण करते रहें
  7. अक्सर पूछे जाने वाले प्रश्नों

सिंहावलोकन

सतह का अनुमान लगाया जाता है जहां अधिभोग पूरे स्थान में बदलता है, न कि सीधे एक निश्चित त्रिकोण सूची के रूप में संग्रहीत किया जाता है। यह कॉम्पैक्ट प्रतिनिधित्व चिकनी आकृतियों का पुनर्निर्माण कर सकता है लेकिन ज्यामिति का आविष्कार कर सकता है जहां इनपुट थोड़ा सबूत प्रदान करता है।

गहरा गोता

एक त्रिभुज जाल शीर्षों और फलकों को स्पष्ट रूप से सूचीबद्ध करता है। एक वोक्सेल ग्रिड 3डी कोशिकाओं के एक निश्चित सेट पर मूल्यों को संग्रहीत करता है। इसके बजाय एक अधिभोग नेटवर्क एक फ़ंक्शन सीखता है जो एक स्थानिक समन्वय लेता है, अक्सर एक छवि या बिंदु क्लाउड से प्राप्त कोड के साथ, और एक अधिभोग मूल्य की भविष्यवाणी करता है। इस फ़ंक्शन का नमूना लेने और एक सीमा निकालने से एक सतह तैयार होती है। मेस्केडर और सहकर्मियों ने फ़ंक्शन स्पेस में 3डी पुनर्निर्माण सीखने के एक तरीके के रूप में ऑक्यूपेंसी नेटवर्क की शुरुआत की। प्रशिक्षण के बाद चुने गए रिज़ॉल्यूशन पर प्रतिनिधित्व के बारे में पूछताछ की जा सकती है, हालांकि निकाले गए जाल में अभी भी सीमित रिज़ॉल्यूशन और कम्प्यूटेशनल लागत है। प्रशिक्षण के लिए 3डी आकृतियों और लेबलों के उदाहरणों की आवश्यकता होती है जो दर्शाते हैं कि कौन से नमूना बिंदु अंदर या बाहर हैं। डिकोडर प्रत्येक पूछे गए 3डी समन्वय के साथ एक अवलोकन से एक कोड जोड़ता है। केवल एक दृश्य से, पीछे का अधिकांश भाग अदृश्य है। मॉडल इसे प्रशिक्षण उदाहरणों से सीखे गए पैटर्न का उपयोग करके भरता है, जो प्रशंसनीय दृश्य के लिए उपयोगी हो सकता है लेकिन छिपी हुई ज्यामिति का माप नहीं है। ज्यादातर सामान्य कुर्सियों पर प्रशिक्षित नेटवर्क उस श्रेणी को अच्छी तरह से संभाल सकता है और फिर भी एक असामान्य मूर्तिकला पर विफल हो सकता है। सीमा को अक्सर अधिभोग सीमा पर लिया जाता है, और एक जाल-निष्कर्षण एल्गोरिथ्म कई प्रश्नों पर इसका अनुमान लगाता है। थ्रेसहोल्ड और स्थानिक नमूनाकरण छोटे छिद्रों, पतली विशेषताओं और अलग किए गए हिस्सों को प्रभावित करते हैं। एक मोटे क्वेरी ग्रिड एक संकीर्ण समर्थन को छिपा सकता है; एक बेहतर ग्रिड की लागत अधिक होती है और वह उस विवरण को पुनर्स्थापित नहीं कर सकता जो सीखे गए फ़ंक्शन ने कभी प्रस्तुत नहीं किया। उपलब्ध मापित बिंदुओं या एकाधिक दृश्यों के साथ सतह की तुलना करें, और उन क्षेत्रों का निरीक्षण करें जहां इनपुट विरल है। टोपोलॉजी और विज़ुअल स्मूथनेस अलग-अलग जांच के लायक हैं। अधिभोग नेटवर्क उस मानचित्र के समान नहीं हैं जो भौतिक कमरों को नेविगेशन के लिए मुफ़्त या अधिगृहीत के रूप में चिह्नित करता है, भले ही दोनों एक अधिभोग विचार का उपयोग करते हों। सीखा हुआ अंतर्निहित फ़ंक्शन अपनी प्रशिक्षण मान्यताओं के तहत एक पुनर्निर्मित आकृति का वर्णन करता है। जब इन धारणाओं को समझ लिया जाता है तो यह डिज़ाइन या सिमुलेशन का समर्थन कर सकता है, लेकिन इसे चुपचाप अनदेखी सतहों के सटीक स्कैन का विकल्प नहीं बनना चाहिए।

वास्तविक विश्व कार्यान्वयन

एक शोधकर्ता एक वस्तु छवि पर एक अधिभोग मॉडल की स्थिति बनाता है और एक जाल निकालने के लिए कई 3डी बिंदुओं पर सवाल उठाता है।

एक रोबोटिक्स टीम किसी पुनर्निर्मित वस्तु के छिपे हुए हिस्से को प्रत्यक्ष रूप से देखे जाने के बजाय अनुमान के रूप में चिह्नित करती है।

एक बेंचमार्क एक निश्चित स्वर ग्रिड को पुनः प्रशिक्षित किए बिना क्वेरी रिज़ॉल्यूशन को बदलने के बाद पुनर्निर्माण गुणवत्ता की तुलना करता है।

एक डेवलपर परीक्षण करता है कि क्या कुर्सियों पर प्रशिक्षित मॉडल अपरिचित पतले समर्थन और छेद को भी संभालता है।

ऑक्युपेंसी नेटवर्क और अंतर्निहित 3डी आकृतियों का भविष्य

अंतर्निहित आकार के मॉडल बेहतर विवरण प्राप्त कर सकते हैं और अधिक विविध वस्तु श्रेणियों और विरल अवलोकनों के साथ काम कर सकते हैं। तेज़ क्वेरी और जाल-निष्कर्षण विधियाँ उन्हें इंटरैक्टिव टूल में उपयोगी बना सकती हैं। केंद्रीय अनिश्चितता बनी रहेगी: एक प्रशंसनीय छिपी हुई सतह का वास्तविक होना जरूरी नहीं है। भविष्य की प्रणालियाँ अधिभोग अनुमानों को अवलोकन-गहराई वाले मास्क, एकाधिक दृश्य और आत्मविश्वास डिस्प्ले के साथ जोड़ सकती हैं ताकि उपयोगकर्ताओं को पता चले कि ज्यामिति कहाँ से आई है। निर्माण या सुरक्षा-महत्वपूर्ण सिमुलेशन के लिए, एक स्वतंत्र माप को आकार और पैमाने को मान्य करना चाहिए। उच्च रिज़ॉल्यूशन पर एक चिकनी जाल को आउटपुट करने की मॉडल की क्षमता को कभी भी किसी अनदेखी वस्तु के बारे में उच्च-रिज़ॉल्यूशन साक्ष्य के साथ भ्रमित नहीं किया जाना चाहिए।

इसे व्यवहार में लाना

यह क्यों मायने रखता है?

  • गति और पैमाना. विज़ुअल एआई बड़े पैमाने पर निरीक्षण, पता लगाने और टैगिंग कार्यों को स्वचालित कर सकता है।
  • विकल्प बनाएं. रचनात्मक टीमें कम मैन्युअल संशोधनों के साथ तेजी से अवधारणाओं का प्रोटोटाइप बना सकती हैं।
  • टीम और वर्कफ़्लो. संचालन छवि और वीडियो संकेतों का उपयोग कर सकते हैं जिन्हें संसाधित करना पहले कठिन था।

का ध्यान रखें

  • यदि उत्पत्ति अस्पष्ट है तो छवि अधिकार और सहमति कानूनी जोखिम बन सकते हैं।
  • मॉडल का प्रदर्शन प्रकाश व्यवस्था, जनसांख्यिकी और वातावरण के अनुसार भिन्न हो सकता है।
  • जब तक आत्मविश्वास की सीमा की निगरानी नहीं की जाती, तब तक झूठी सकारात्मक बातों पर ध्यान नहीं दिया जा सकता।

अगले चरण

  1. सटीकता, रिकॉल और त्रुटि लागत के लिए स्वीकृति मानदंड परिभाषित करें।
  2. वास्तविक उत्पादन स्थितियों से मेल खाने वाले डेटा के साथ परीक्षण करें।
  3. कम-आत्मविश्वास या उच्च-प्रभाव वाली भविष्यवाणियों के लिए मानवीय समीक्षा जोड़ें।
  4. कैमरा या डेटासेट में बदलाव के बाद मॉडल बहाव को ट्रैक करें और पुनः सत्यापित करें।

अन्वेषण करते रहें

मुफ़्त न्यूज़लेटर

दैनिक एआई ब्रीफिंग प्राप्त करें

हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।

प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।

स्वयं की जांच करो

Take the Occupancy Networks and Implicit 3D Shapes quiz

प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।

प्रश्नोत्तरी प्रारंभ करें

निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें

अक्सर पूछे जाने वाले प्रश्नों

अधिभोग नेटवर्क और अंतर्निहित 3डी आकृतियाँ क्या है?

एक अधिभोग नेटवर्क यह अनुमान लगाकर एक 3डी आकार का प्रतिनिधित्व करता है कि पूछताछ किए गए स्थानिक बिंदु इसकी सतह के अंदर या बाहर हैं, आमतौर पर एक छवि या अन्य अवलोकन पर वातानुकूलित। सतह का अनुमान लगाया जाता है जहां अधिभोग पूरे स्थान में बदलता है, न कि सीधे एक निश्चित त्रिकोण सूची के रूप में संग्रहीत किया जाता है। यह कॉम्पैक्ट प्रतिनिधित्व चिकनी आकृतियों का पुनर्निर्माण कर सकता है लेकिन ज्यामिति का आविष्कार कर सकता है जहां इनपुट थोड़ा सबूत प्रदान करता है।

3D क्वेरी बिंदु दिए जाने पर अधिभोग नेटवर्क क्या भविष्यवाणी करता है?

अंतर्निहित फ़ंक्शन निर्देशांक और कंडीशनिंग जानकारी से अधिभोग की भविष्यवाणी करता है।

एकल-दृश्य पुनर्निर्माण का छिपा हुआ पिछला हिस्सा अनिश्चित क्यों है?

पूर्व से प्राप्त प्रशंसनीय पूर्णताएँ अनदेखी ज्यामिति के अवलोकन नहीं हैं।

यदि प्रशिक्षण के बाद क्वेरी रिज़ॉल्यूशन बढ़ाया जाता है, तो क्या सुधार होता है और क्या स्वचालित रूप से सुधार नहीं होता है?

एक बेहतर निष्कर्षण ग्रिड समान सीखे गए फ़ंक्शन को अधिक सघनता से नमूना देता है।

मुख्य रूप से कुर्सियों पर प्रशिक्षित एक मॉडल को एक असामान्य मूर्तिकला पर लागू किया जाता है। क्या खतरा बढ़ता है?

प्रशिक्षण-आकार कवरेज प्रभावित करता है कि मॉडल अस्पष्ट क्षेत्रों को कैसे भरता है।

एक अंतर्निहित अधिभोग आकार एक निश्चित स्वर ग्रिड से भिन्न क्यों है?

एक सीखा हुआ समन्वय फ़ंक्शन एकल निश्चित ग्रिड के बाहर प्रश्नों का समर्थन करता है, हालांकि निष्कर्षण सीमित है।

सीखते रहो

संबंधित मार्गदर्शिकाएँ

इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं

निःशुल्क AI प्रमाणपत्र प्राप्त करेंएक संक्षिप्त निःशुल्क पाठ्यक्रम और परीक्षा। कोई कीमत नहीं, कोई कार्ड नहीं. लगभग 2.5 घंटे.निःशुल्क प्रारंभ करें →