Key points are not available for this paper at this time.
2D CNNs में हालिया प्रगति ने यह revealed किया है कि बड़े कर्नेल महत्वपूर्ण हैं। हालाँकि, जब 3D CNNs में सीधे बड़े संक्रामक कर्नेल लागू किए जाते हैं, तो गंभीर कठिनाइयाँ आती हैं, जहाँ 2D में सफल मॉड्यूल डिजाइन 3D नेटवर्क पर आश्चर्यजनक रूप से अप्रभावी साबित होते हैं, जिसमें लोकप्रिय गहराई-वार संक्लन शामिल है। इस महत्वपूर्ण चुनौती का समाधान करने के लिए, हम इसके बजाय स्थानिक-वार विभाजन संक्लन और उसके बड़े-कर्नेल मॉड्यूल का प्रस्ताव रखते हैं। इसके परिणामस्वरूप, यह सरल 3D बड़े कर्नेल के अनुकूलन और दक्षता की समस्याओं से बचता है। हमारा बड़ा-कर्नेल 3D CNN नेटवर्क, LargeKernel3D, सेमांटिक сегमेंटेशन और वस्तु पहचान के 3D कार्यों में उल्लेखनीय सुधार प्रदान करता है। यह ScanNetv2 सेमांटिक सेगमेंटेशन और 72.8% NDS nuScenes वस्तु पहचान मानकों पर 73.9% mIoU प्राप्त करता है, जो nuScenes LIDAR लीडरबोर्ड पर 1st रैंक करता है। प्रदर्शन सीधे बहु-आकार विलयन के साथ 74.2% NDS तक बढ़ता है। इसके अतिरिक्त, LargeKernel3D को Waymo 3D वस्तु पहचान पर 17×17×17 कर्नेल आकार पर बढ़ाया जा सकता है। पहली बार, हम दिखाते हैं कि बड़े कर्नेल 3D दृश्य कार्यों के लिए व्यवहार्य और आवश्यक हैं। हमारा कोड और मॉडल github.com/dvlab-research/LargeKernel3D पर उपलब्ध है।
Chen et al. (Thu,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 2 closely related papers on similar clinical questions. Consider them for comparative context: