三维适配随机森林视觉(3DARFV):以极高精度超越深度学习语义分割效率以解构异质织物
计算机视觉与模式识别
2022-04-12 v1 天体物理仪器与方法
机器学习
图像与视频处理
地球物理
摘要
行星探测严重依赖 3D 图像数据来表征岩石与环境的静态和动态特性。分析 3D 图像需要大量计算,导致效率受限于冗长的处理时间与巨大的能耗。高性能计算(HPC)以能耗为代价提供了显著的效率。然而,对于远程探测,所传送的监视与机器人化感知需要更快的数据分析与极高精度以做出实时决策。在此类环境中,对 HPC 与能源的获取受限。因此,我们认识到将计算量减至最优并保持所需精度可带来更高效率。本文展示了概率决策树算法——三维适配随机森林视觉(3DARFV)的语义分割能力,以极高精度超越深度学习算法效率。
引用
@article{arxiv.2203.12469,
title = {3D Adapted Random Forest Vision (3DARFV) for Untangling Heterogeneous-Fabric Exceeding Deep Learning Semantic Segmentation Efficiency at the Utmost Accuracy},
author = {Omar Alfarisi and Zeyar Aung and Qingfeng Huang and Ashraf Al-Khateeb and Hamed Alhashmi and Mohamed Abdelsalam and Salem Alzaabi and Haifa Alyazeedi and Anthony Tzes},
journal= {arXiv preprint arXiv:2203.12469},
year = {2022}
}