Компьютерная наука > Компютерное видение и распознавание шаблонов [представлено 17 сентября 2026 года] Название: PerSeM: стойкая семантическая память для долго-горизонального открытого Vocobulary UAV Schanging View PDF HTML (экспериментальное) резюме: Открытое вокабулярное сегментирование позволяет иметь богатую семантическую оценку беспилотных летательных аппаратов, однако прогнозы по графику могут оставаться непоследовательными в временнóм плане при повторяющихся наблюдениях и изменении точек зрения. Мы представляем PerSeM, беспрерывную систему семантической памяти для долго-горизонтного открытого вокабуляционного картирования беспилотника. PerSeM соединяет семантические наблюдения по системе со стойкими вокселями из космоса и создает семантическую память на основе большинства, которая консервативно совершенствуется посредством пространственной доработки истории, репроигрывания доверенности и проверки с учетом контекста. Эксперименты по контрольным показателям для лесов и БЛАВСЕНС показывают, что устойчивая трехмерная память обеспечивает значительный выигрыш в семантической корректности и временнóй стабильности над прогнозами по квадратам. Помимо этого сильного устойчивого фона PERSeM обеспечивает последовательные дополнительные усовершенствования, повышая как семантическую точность, так и временную стабильность во всех пяти оцениваемых последовательностях БЛАВС. Анализ с использованием регионов, определенных независимо от окончательных прогнозов PERSeM, также показывает,…
ПЕРСЕМ: Устойчивый семантическая память для картирования беспилотных летательных аппаратов в течение долгого периода времени
arXiv: 2609.19542v1 Annualce Type: New Habstratement: Open-vocabulary spartation позволяет иметь богатое семантическое восприятие беспилотных летательных аппаратов, однако прогнозы по рамам могут оставаться непоследовательными во времени при повторяющихся наблюдениях и изменении точек зрения. Мы представляем PerSeM, беспрерывную систему семантической памяти для долго-горизонтного открытого вокабуляционного картирования беспилотника. PerSeM соединяет семантические наблюдения по системе со стойкими вокселями из космоса и создает семантическую память на основе большинства, которая консервативно совершенствуется посредством пространственной доработки истории, репроигрывания доверенности и проверки с учетом контекста. Эксперименты по контрольным показателям для лесов и БЛАВСЕНС показывают, что устойчивая трехмерная память обеспечивает значительный выигрыш в семантической корректности и временнóй стабильности над прогнозами по квадратам. Помимо этого сильного устойчивого фонового уровня PERSeM обеспечивает последовательные дополнительные усовершенствования, повышая как семантическую точность, так и временную стабильность по всем пяти оцененным беспроводным следам