A Robust Point Cloud Analysis Framework Inspired By Primary Visual Cortex

Исследователи представили новый подход к анализу облаков точек, направленный на повышение энергоэффективности и устойчивости к шумам, проблемных для традиционных сверточных нейронных сетей (CNN). Вдохновленные первичной зрительной корой, они разработали архитектуру BINN (нейронной сети, имитирующей работу мозга) под названием DC-CCNN (Dendritic-Connected Continuous-Coupled Neural Network). Она заменяет стандартные многослойные перцептроны (MLP) более эффективными и устойчивыми компонентами. Для повышения устойчивости в сложных условиях была создана расширенная версия — DC-CCNN++. Она использует нейро-вдохновленные механизмы для стабилизации признаков и адаптации к изменчивости данных. DC-CCNN++ улучшает производительность BINN в анализе облаков точек, сопоставимую с передовыми методами. Повышена устойчивость к разреженности, окклюзии, шумам и пространственным преобразованиям, превосходя исходную DC-CCNN в классификации и сегментации. Этот подход предлагает перспективную альтернативу традиционным методам глубокого обучения для обработки облаков точек. 🧠