आगेअगली गाइड
सीएनएन में बनावट बनाम आकार पूर्वाग्रह
विजुअल एआई
विज़ुअल एआई गाइड
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
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।
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।
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।
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।
मुफ़्त न्यूज़लेटर
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
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
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।
अंतर्निहित फ़ंक्शन निर्देशांक और कंडीशनिंग जानकारी से अधिभोग की भविष्यवाणी करता है।
पूर्व से प्राप्त प्रशंसनीय पूर्णताएँ अनदेखी ज्यामिति के अवलोकन नहीं हैं।
एक बेहतर निष्कर्षण ग्रिड समान सीखे गए फ़ंक्शन को अधिक सघनता से नमूना देता है।
प्रशिक्षण-आकार कवरेज प्रभावित करता है कि मॉडल अस्पष्ट क्षेत्रों को कैसे भरता है।
एक सीखा हुआ समन्वय फ़ंक्शन एकल निश्चित ग्रिड के बाहर प्रश्नों का समर्थन करता है, हालांकि निष्कर्षण सीमित है।
सीखते रहो
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
सीएनएन में बनावट बनाम आकार पूर्वाग्रह
विजुअल एआई