Компьютерные науки > Компютерное видение и распознавание моделей [представлено 16 сентября 2026 года] Название: Mask 2D-3D: Адаптационная сеть двух-махедовых автоинвендерных систем для регистрации изображений в режиме облаков PDF HTML (экспериментальное) Резюме: Безотборочные методы регистрации облачных изображений подвержены ошибочной корреспонденции, вызванной расхождениями между доменами и видами деятельности, ограниченной чувствительностью экстракторов характеристик и наличием районов, не являющихся перезагрузкой. Маскидный автоинженер (MAE) продемонстрировал высокую эффективность визуального представления изображений и точечных облаков. Возможно, было бы полезно применить этот подход к регистрации облаков из изображения в точку - задаче, требующей единой экстракции характеристик и точной переписки между различными видами транспорта. Случайная маскировка стандартного МООС может не учитывать ключевые регионы из-за ограниченной видимости камер, что снижает эффективность регистрации. Для решения этой проблемы мы предлагаем Интермодальную систему двойного МОВЭ (МБР) с аналогичной стратегией " RL Masking Strategy (SRLM), которая адаптивно маскирует информационные позиции, используя для этого перекрестное сходство и усиливая обучение, тем самым сокращая разрыв в модуле. Наш метод повышает качество обучения интермодальному представительству за счет обеспечения последовательности представления в процессе извлечения элементов, что позволяет более надежно оценивать переписку…
Маск 2D-3D: Адаптивная сеть с двойным македом для регистрации облаков
arXiv: 2609.18088v1 Сообщение типа: перекрестное резюме. Методы регистрации облаков без обнаружения могут быть ошибочными в связи с расхождениями между доменами и условиями, ограниченной чувствительностью экстракторов характеристик и наличием неперекрывающих регионов. Маскидный автоинженер (MAE) продемонстрировал высокую эффективность визуального представления изображений и точечных облаков. Возможно, было бы полезно применить этот подход к регистрации облаков из изображения в точку - задаче, требующей единой экстракции характеристик и точной переписки между различными видами транспорта. Случайная маскировка стандартного МООС может не учитывать ключевые регионы из-за ограниченной видимости камер, что снижает эффективность регистрации. Для решения этой проблемы мы предлагаем Интермодальную систему двойного МОВЭ (МБР) с аналогичной стратегией " RL Masking Strategy (SRLM), которая адаптивно маскирует информационные позиции, используя для этого перекрестное сходство и усиливая обучение, тем самым сокращая разрыв в модуле. Наш метод повышает интермодальное представительство