从3D扫描获得的点云通常稀疏，嘈杂，不规则。为应对这些问题，最近的研究已经单独进行，以致密化，去噪和完全不准确的点云。在本文中，我们倡导联合解决这些任务导致点云重建的显着改进。为此，我们提出了一个由两个阶段组成的深点云重建网络：1）3D稀疏的堆积空间，如初始致密化和去噪，2）通过变压器将离散体素转换为3D点的改进。特别是，我们通过一种名为放大位置编码的新提出的模块进一步提高了变压器的性能。该模块旨在基于用于自适应改进的点距离来不同地放大位置编码矢量的大小。广泛的实验表明，我们的网络在Scannet，ICL-Nuim和Shapenetpart数据集最近的研究中实现了最先进的性能。此外，我们强调了我们网络拓展到现实世界和未满足的场景的能力。
translated by 谷歌翻译
智能制造系统以越来越多的速度部署，因为它们能够解释各种各样的感知信息并根据系统观察收集的知识采取行动。在许多情况下，智能制造系统的主要目标是快速检测（或预期）失败以降低运营成本并消除停机时间。这通常归结为检测从系统中获取的传感器日期内的异常。智能制造应用域构成了某些显着的技术挑战。特别是，通常有多种具有不同功能和成本的传感器。传感器数据特性随环境或机器的操作点而变化，例如电动机的RPM。因此，必须在工作点附近校准异常检测过程。在本文中，我们分析了从制造测试台部署的传感器中的四个数据集。我们评估了几种基于传统和ML的预测模型的性能，以预测传感器数据的时间序列。然后，考虑到一种传感器的稀疏数据，我们从高数据速率传感器中执行传输学习来执行缺陷类型分类。综上所述，我们表明可以实现预测性故障分类，从而为预测维护铺平了道路。
translated by 谷歌翻译