摘要
يلعب التقدير الدقيق لمعامد سطح الجسم دورًا هامًا في مختلف مهام رؤية الكمبيوتر. تواجه طرق تقدير معتمدّة على الفيزياء لمعانٍ قطبية السطح العديد من القيود التي تحدّ من عمليتها. بالمقابل، تتفوق طرق التقدير المعتمدة على التعلم العميق بالاستقطاب على الطرق المعتمدة على الفيزياء من حيث الدقة والتطبيق. لتعزيز دقة التقدير القائم على التعلم العميق كي تصبح مناسبة لمهام أكثر واقعية، تقدم هذه الورقة طريقة جديدة. أولاً، تم اقتراح طريقة جديدة لتمثيل معلومات الاستقطاب باستخدام متجهات ستوكس بهدف تحسين قدرة النموذج على استخراج المعلومات الفيزيائية الاستقطابية الأولية. ثم دمج ميكانيكية الانتباه الذاتي المتفرق القائمة على التوجيه الثنائي الطبقة لتحسين إدراك النموذج للمعلومات السياقية العالمية، لتحسين التمييز المحلي لمعلومات الاستقطاب. تم اختبار الطريقة على مجموعة بيانات DeepSfP وبيانات اختبار تم إنشاؤها ذاتيًا. أظهرت النتائج التجريبية أن الطريقة المقترحة حققت متوسط خطأ زاوية 13.37° على مجموعة بيانات DeepSfP وتفوقت على الطرق الحالية في جميع مؤشرات الاختبار بما في ذلك الدقة وخطأ الزاوية، ما يبرز التحسن الواضح للطريقة في تقدير المعامد. من خلال تقديم طريقة جديدة لتمثيل معلومات الاستقطاب وميكانيكية الانتباه الذاتي المتفرق، حسّنت طريقتنا دقة وتطبيقية تقدير معالم استقطاب السطح، مما يوفر دعمًا أقوى لتطبيقات المهام الواقعية.
关键词
تمثيل معلومات الاستقطاب;ميكانيكية الانتباه الذاتي المتفرق;تقدير معالم سطح الاستقطاب
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website