Курулуш жана Бузуу Калдыктарын Аз Үлгүлүү Чекит Булуту Сегментациясы үчүн Аннотация-Үнөмдүү Канттык Нейро-Символдук Жаса...

Q: Few-shot эмнени билдирет?

Few-shot — модель тыгыз белгиленген чоң окутуу маалымат топтомуна эмес, өтө аз сандагы ишенимдүү адам энбелгилери же “seed anchor” аркылуу үйрөнүүгө аракет кылган аз-көзөмөлдүү режим. Бул изилдөөнүн максаты ар башка курулуш аянттарынан алдын ала белгиленген чоң тышкы corpus колдонуу эмес, бир татаал көрүнүштө чектелген адам аннотациясын пайдаланып калган энбелги мейкиндигин коопсуз кеңейтүү.

Q: EdgeConv мамилелик белгини кантип эсептейт?

\[ x_i= \max_{j\in M_{\mathrm{knn}}(i)} h_{\Theta} \left( f_i\parallel(f_j-f_i) \right). \tag{6} \]

Q: Entropy focus weight эмне үчүн колдонулат?

\[ \omega_i= \frac{H(p_i)}{\ln C}+0,1, \qquad H(p_i)= -\sum_c p_{i,c}\log p_{i,c}. \tag{10} \]

Q: Geometric fingerprint эмне үчүн керек?

\[ \mathrm{Checksum} = \mathrm{MD5} \left( \mathrm{ByteStream}(\mathrm{Round}(P,4)) \right). \tag{18} \]

Q: Кокус Чекит Бөлүштүрүү Эмне Үчүн Адаштыруучу Ийгилик Жаратышы Мүмкүн?

Бир эле физикалык көрүнүштөгү коңшу чекиттер training жана test топторуна кокус тараса, xyz сыяктуу жайгашуу каналдары материалдын өзүн тааныбастан айланадагы энбелгилерди мейкиндикте таратууга мүмкүнчүлүк берет; изилдөөдө түс маалыматынын %90 бөлүгү бузулган базалык моделдин 0,839 mIoU га жетиши ушул “recognition ордуна interpolation” тобокелин көрсөткөн.

Q: Изилдөөнүн Ыкмасы жана ЖыйынтыктарыmIoU эмнени өлчөйт?

Төмөнкү туюнтма изилдөөнүн номерленген жаңы теңдемеси эмес, колдонулган метриканын стандарттык түшүндүрмө аныктамасы:

Курулуш жана Бузуу Калдыктарын Аз Үлгүлүү Чекит Булуту Сегментациясы үчүн Аннотация-Үнөмдүү Канттык Нейро-Символдук Жасалма Интеллект Алкагы

Аталышы

Түркчө жарыя аталышы: Курулуш жана Бузуу Калдыктарын Аз Үлгүлүү Чекит Булуту Сегментациясы үчүн Аннотация-Үнөмдүү Канттык Нейро-Символдук Жасалма Интеллект Алкагы

Түпнуска аталыш: An annotation-efficient Kantian neuro-symbolic AI framework for few-shot point cloud segmentation of construction and demolition waste

Авторлор: Жүктөлгөн препринт PDF файлында авторлордун аттары көрсөтүлгөн эмес. Ишенимдүү расмий библиографиялык жазуу аркылуу ырасталбагандыктан, авторлордун аттары божомолдонгон жок.

Кыскача Мазмун

Kantian Neuro-Symbolic Perception System (KNS-PS), курулуш жана бузуу калдыктарынын (Construction and Demolition Waste, CDW) чекит булуттарын аз сандагы адам энбелгилери менен семантикалык сегментациялоо үчүн графтык нейрон тармагын, физикалык/геометриялык априорлорду жана Human-in-the-Loop текшерүүсүн бириктирген гибрид нейро-символдук жасалма интеллект алкагы. Изилдөө Канттын “сезимталдык, түшүнүү жана apperception” катмарларын жөн гана философиялык окшоштуруулар катары калтырбастан; аларды чекит булутунун белгилери, self-loop-free k-nearest-neighbor графы, dual-head EdgeConv тармагы, дифференциалдануучу color-reality жана structural-relation жоготуулары, ишенимге негизделген curriculum self-training, адам anchor freezing жана mode-collapse brake сыяктуу конкреттүү эсептөө компоненттерине айландырганын сунуштайт.

Изилдөөнүн негизги көйгөйү — татаал бузуу урандыларынын көрүнүштөрүндө ар бир чекитти кол менен белгилөө кымбат болушу жана маалыматка гана таянган 3B тармактар түтүк, арматура, кирпич жана бетон сыяктуу аралашкан же жарым-жартылай жабылган материалдарда физикалык жактан шайкеш эмес сегментацияларды жарата алышы. Булак мындай каталар үчүн “geometric and semantic hallucinations” деген түшүнүктү колдонот. Бул жердеги “hallucination” генеративдик тил моделинин ойдон чыгарылган текст түзүшү эмес; чекит булутунда физикалык жактан шайкеш эмес класс дайындоолорунун жасалышы, мисалы сынган түтүктүн бетон ичинде жоголуп кетиши же жабылган объекттин бүтүндүгү сакталбай калышы дегенди билдирет.

Изилдөөнүн эң маанилүү методологиялык табылгаларынын бири баалоо протоколуна байланыштуу. Кокус чекит бөлүштүрүү жана жайгашуу каналдары чогуу колдонулганда тармак чыныгы материалды тааныбастан коңшу чекиттерден мейкиндиктик энбелги интерполяциясын жасай алат. Түс маалыматынын %90 бөлүгү бузулган DGCNN базалык модели бул протоколдо дагы 0,839 mean Intersection over Union (mIoU) маанисине жеткен. Ошондуктан изилдөөчүлөр негизги баалоону 4 × 4 spatial block-holdout түзүмүнө өткөрүп, тест блокторун мейкиндик боюнча бөлүп жана xyz/нормалдаштырылган бийиктик сыяктуу жайгашуу киргизүү каналдарын алып салышкан.

Алты жупташкан кайталоодо эң жакшы жалпы конфигурациялардын бири болгон core+community үчүн орточо mIoU 0,550 ± 0,038, эрежесиз базалык модель үчүн 0,499 ± 0,088 болгон. +5,1 упайлык орточо айырма беш кайталоонун бешинде оң болсо да paired \(t=1,37\) менен статистикалык мааниге жеткен эмес. Ошол эле учурда изилдөө жүрүштөн-жүрүшкө дисперсия 5,2 эсе кыскарганын жана эң начар жүрүш 0,333 тен 0,495 ке көтөрүлгөнүн билдирет. Ошондуктан булак алкактын негизги сандык салымын “орточо тактыкты далилденген түрдө жогорулатуу” эмес, катастрофалык төмөн-өндүрүмдүү жүрүштөрдү басуу жана worst-case жүрүм-турумун чектөө катары аныктайт.

Human-in-the-Loop аннотация салыштыруусунда 237.560 чекиттүү көрүнүштү тыгыз кол менен белгилөө 266 мүнөт эксперт убактысын талап кылса, KNS-PS иш агымы 37 мүнөт эксперттик өз ара аракетти талап кылган; булак муну %86,1 кыскаруу деп эсептейт. Бирок үч curriculum self-training айлампасынын болжол менен 9 мүнөт көзөмөлсүз машина убактысы бул эксперт убактысынын эсебине киргизилген эмес. Демек, %86,1 мааниси “жалпы эсептөө убактысынын %86,1 кыскарышы” эмес.

Изилдөөнүн акыркы баскычындагы reverse schematism модулу адам тарабынан ырасталган семантикалык чекит энбелгилерин параметрдик жана watertight геометриялык катуу денелерге айлантат. Түтүк жана арматура элементтери цилиндр катары, кирпичтер стандарттык модуль жана bond-pattern шаблондору менен, бетон кластерлери болсо adaptive alpha-shape аркылуу кайра курулат. Чыныгы 195.569 чекиттүү көрүнүштө adaptive alpha-shape backend жети компоненттин жетөөсүн тең watertight кылып түзсө, Poisson reconstruction болгону төрт компонентти watertight жаба алган.

Бул натыйжалардын камтуу чеги чектелүү. Изилдөөнүн сандык сегментация дооматтары бир гана көрүнүшкө негизделет; pipe классы block-holdout сандык жыйынтыгына киргизилген эмес; эрежелердин конфигурациялары ошол эле көрүнүштө тандалып, бааланган; айрым мета-параметрлер кол менен жөндөлгөн жана color-reality prior күчтүү чаң/түс жоготуусунда бузулат. Роботтук бузуу, ROS 2/MoveIt 2 физикалык аткаруу жана XR негизиндеги чыныгы талаа apperception цикли изилдөөнүн көрсөтүлгөн сегментация натыйжасы эмес; булар келечектеги интеграция багыттары.

Кеңири Түшүндүрмө

Курулуш жана бузуу калдыктарында чекит булуту сегментациясы эмне үчүн керек?

Курулуш жана бузуу калдыктарынын көрүнүшү иреттүү бөлүнгөн объекттерден турбайт. Бетон сыныктары, кирпичтер, металл арматуралар, түтүктөр жана башка курулуш элементтери үстү-үстүнө үйүлгөн, сынган, жарым-жартылай көмүлгөн жана бири-бирин жаап калган болушу мүмкүн. Ошондуктан фотограмметриялык же башка 3B сканерден алынган миллиондогон чекиттердин координата катары гана болушу материалды калыбына келтирүү үчүн жетишсиз. Ар бир чекит кайсы материалга же компонентке тиешелүү экенин аныктоо керек.

Изилдөө муну айланма курулуш жана Digital Material Passport (DMP) контекстине жайгаштырат. Калыбына келтирилген курулуш компонентинин санарип материал паспорту ишенимдүү болушу үчүн материалдын түрү, геометриясы жана абалы тууралуу мейкиндик боюнча ырасталган маалымат керек. Бул жерде сегментация жөн гана компьютердик көрүү метрикасы эмес, кийинки геометрияны кайра куруу жана мүмкүн болгон роботтук бөлүү процесстеринин кабылдоо негизи.

Few-shot эмнени билдирет?

Few-shot — модель тыгыз белгиленген чоң окутуу маалымат топтомуна эмес, өтө аз сандагы ишенимдүү адам энбелгилери же “seed anchor” аркылуу үйрөнүүгө аракет кылган аз-көзөмөлдүү режим. Бул изилдөөнүн максаты ар башка курулуш аянттарынан алдын ала белгиленген чоң тышкы corpus колдонуу эмес, бир татаал көрүнүштө чектелген адам аннотациясын пайдаланып калган энбелги мейкиндигин коопсуз кеңейтүү.

Бул жагдай моделди баалоону да татаалдаштырат. Энбелги бюджети өтө аз болгондо өзүнчө чоң validation set бөлүү практикалык болбой калышы мүмкүн. Ошондуктан авторлор эң жакшы жүрүштү гана тандоого негизделген ыкманын ордуна worst-case жүрүм-турумун чектөөнү маанилүү деп эсептешет.

Канттык Түшүнүктөр Бул Изилдөөдө Жөн Гана Философиялык Метафорабы?

Булактын методологиялык дооматына ылайык, жок: “сезимталдык, түшүнүү, мамиле, сапат, модалдуулук жана apperception” сыяктуу Канттык түшүнүктөрдүн ар бири белгилүү эсептөө объектисине, жоготуу мүчөсүнө, граф эрежесине, ишеним босогосуна же адам-текшерүү механизмине дал келтирилген; бирок бул инженердик дал келтирүү Кант философиясы эксперименттик жактан ырасталды дегенди билдирбейт.

Концептуалдык катмар	Техникалык дал келүү	Инженердик функция
Aesthetic Layer / Sensibility	Координаттарды нормалдаштыруу, бет нормалдары, жергиликтүү ковариация, сызыктуулук-тегиздик-scattering тензорлору, self-loop-free kNN графы	Иретсиз чийки чекиттер топтомун түзүмдөштүрүлгөн геометриялык белгилерге айландырат.
Quantity	Көп масштабдуу агрегация жана class-balanced focal loss	Бетон сыяктуу чоң класстардын аз сандагы pipe/rebar чекиттерин сандык үстөмдүк менен басып кетүүсүн азайтат.
Quality	Color-reality soft prior жана boundary head	Кирпич/цемент класстарынын түс чындыгына толук карама-каршы келген жогорку ишенимдүү божомолдорун жазалайт; класс чек араларын өзүнчө башта божомолдойт.
Relation	Linearity, elevation-support жана EdgeConv коңшулук мамилелери	Айрыкча түтүк классын ичке сызыктуу геометрия жана таяныч/бийиктик мамилелери менен чектейт.
Modality	Confidence thresholds жана apodictic/assertoric/problematic strata	Божомолдорду ишеним деңгээлдерине бөлүп, адам текшерүүсүнүн артыкчылыгын аныктайт.
Transcendental Apperception	Human-in-the-Loop anchor freezing + curriculum self-training	Адам тарабынан ырасталган энбелгилердин автоматтык окутуу тарабынан өзгөртүлүшүнө жол бербейт.

Булактагы үч катмарлуу KNS-PS мамилелерине таянып Verianla үчүн өз алдынча жана масштабсыз түрдө кайра түзүлгөн. Булактагы сүрөттүн визуалдык дизайны көчүрүлгөн эмес.

Aesthetic Layer: чийки чекиттен геометриялык интуицияларга

Чийки чекиттер топтому \(P=\{p_i=(x_i,y_i,z_i)\in\mathbb{R}^3\}_{i=1}^{N}\) адегенде глобалдык centroid айланасында борборлоштурулуп, максималдуу Евклиддик жайылууга жараша масштабдалат:

\mu_P=\frac{1}{N}\sum_{i=1}^{N}p_i,\qquad p'_i=p_i-\mu_P \] \[ s=\max_i\|p'_i\|_2+\varepsilon_s,\qquad p_{\mathrm{norm},i}=\frac{p'_i}{s}, \qquad \varepsilon_s=10^{-8}. \tag{1}

Бул нормалдаштыруу абсолюттук орун менен масштабдын сандык таасирин азайтат. Максат объекттин физикалык маанисин жок кылуу эмес, тармактын координата чоңдуктарынын өзгөрүшүнөн чыккан сандык туруксуздукка ашыкча сезимтал болушуна жол бербөө.

Ар бир чекиттин kNN коңшулугунда жергиликтүү ковариация матрицасы эсептелет:

\Sigma_i= \frac{1}{k} \sum_{j\in\mathcal{N}(i)} (p_j-\bar p_i)(p_j-\bar p_i)^T. \tag{2}

\(\Sigma_i\) нин иреттелген өздүк маанилери \(\lambda_{1,i}\geq\lambda_{2,i}\geq\lambda_{3,i}\geq0\) жергиликтүү геометрия канчалык сызыктуу, тегиздиктүү же үч өлчөмгө таралганын жалпылоо үчүн колдонулат:

L_i=\frac{\lambda_{1,i}-\lambda_{2,i}} {\lambda_{1,i}+\varepsilon_l}, \qquad P_i=\frac{\lambda_{2,i}-\lambda_{3,i}} {\lambda_{1,i}+\varepsilon_l}, \qquad S_i=\frac{\lambda_{3,i}} {\lambda_{1,i}+\varepsilon_l}, \tag{3} \] \[ \varepsilon_l=10^{-8}.

\(L_i\) сызыктуулукту, \(P_i\) тегиздиктүүлүктү, \(S_i\) scattering ди билдирет. Мисалы, узун жана ичке түтүктө бир негизги багыт үстөм болгондуктан жогорку \(L_i\) күтүлөт; тегиз бетте \(P_i\) күчтүүрөөк болушу мүмкүн; иретсиз уранды геометриясы болсо жогорку scattering көрсөтүшү мүмкүн.

Ар бир чекиттин 12 өлчөмдүү белги вектору нормалдаштырылган координаттарды, RGB түстү, бет нормалын жана үч түзүмдүк тензорду бириктирет:

f_i= [p_{\mathrm{norm},i}\parallel c_i\parallel n_i\parallel L_i\parallel P_i\parallel S_i] \in\mathbb{R}^{12}. \tag{4}

Бул жердеги \(\parallel\) белгилерди бириктирүү операциясын көрсөтөт.

Эмне үчүн self-loop-free kNN графы колдонулат?

M_{\mathrm{knn}}(i) = \{j_1,j_2,\ldots,j_k\}, \qquad j_m\in\mathcal{N}(i)\setminus\{i\}. \tag{5}

k-d tree суроосунда \(k+1\) эң жакын талапкер алынат жана чекиттин өзү коңшулук тизмесинен чыгарылат. Изилдөөнүн негиздемесине ылайык, self-loop сакталса борбордук чекиттин өз белгиси көп катмарлуу таралууда ашыкча үстөм болуп, материалдардын ортосундагы чектик үзүлүүлөр жумшарып кетиши мүмкүн.

EdgeConv мамилелик белгини кантип эсептейт?

x_i= \max_{j\in M_{\mathrm{knn}}(i)} h_{\Theta} \left( f_i\parallel(f_j-f_i) \right). \tag{6}

Бул теңдеме борбордук чекиттин белгисин жана анын коңшусу менен айырмасын бирге иштетет. Бөлүшүлгөн көп катмарлуу перцептрон \(h_\Theta\) ар бир кыр үчүн белги түзөт; андан кийин коңшулук боюнча max-pooling колдонулат. Эки ырааттуу EdgeConv катмары receptive field ди кеңейтет.

Катмар белгилери глобалдык контекст менен бириктирилет:

x_{\mathrm{fused},i} = [x_{1,i}\parallel x_{2,i}\parallel x_{\mathrm{global}}]. \tag{7}

Андан соң тармак эки баштыкка бөлүнөт. Semantic head чекит кайсы материал классына тиешелүү экенинин ыктымалдык бөлүштүрүлүшүн чыгарат, ал эми boundary head чекит физикалык компоненттин чек арасындабы же жокпу божомолдойт. Ошентип “кайсы класс?” жана “класс кайда бүтөт?” суроолору бир эле өкүлдүк аркылуу, бирок ар башка чыгыштар менен каралат.

Класс тең салмаксыздыгы кантип башкарылат?

CDW көрүнүшүндө бетон өтө көп чекит менен көрсөтүлүшү мүмкүн, ал эми түтүк сыяктуу ичке элементтер кыйла аз чекит камтыйт. Булак динамикалык тескери-жыштык класс салмагын төмөнкүдөй аныктайт:

w_c= \frac{N_{\mathrm{valid}}} {C\,(N_c+1,0)}. \tag{8}

\(N_{\mathrm{valid}}\) жарактуу көзөмөлдөнгөн чекиттердин санын, \(C\) класстардын санын, \(N_c\) болсо \(c\) классындагы чекиттердин санын көрсөтөт. Ошентип кичине класстар чоңураак салмак алат.

Бул салмактар \(\gamma=2,0\) focusing exponent менен focal loss ичине киргизилет:

L_{\mathrm{Focal}} = \frac{1}{\sum_i M_{\mathrm{sup}}^{(i)}} \sum_{i=1}^{N} M_{\mathrm{sup}}^{(i)} W_{\mathrm{smpl}}^{(i)} \left[ -w_{y_i} (1-p_{i,y_i})^{\gamma} \log(p_{i,y_i}+\varepsilon) \right]. \tag{9}

Focal loss оңой жана туура классификацияланган мисалдардын таасирин азайтып, кыйын же туура эмес классификацияланган мисалдарга көбүрөөк градиент салмагын берет. \(M_{\mathrm{sup}}\) жана \(W_{\mathrm{smpl}}\) кийин Apperceptive Layer тарабынан динамикалык өзгөртүлүшү мүмкүн.

Entropy focus weight эмне үчүн колдонулат?

\omega_i= \frac{H(p_i)}{\ln C}+0,1, \qquad H(p_i)= -\sum_c p_{i,c}\log p_{i,c}. \tag{10}

Божомол бөлүштүрүлүшүнүн энтропиясы жогору болсо, модель кайсы класс туура экенине ишенбейт. Мындай учурда \(\omega_i\) өсүп, физикалык/категориялык prior жазалары көбүрөөк салмак алат. Модель мурда эле абдан ишенимдүү болсо prior таасири салыштырмалуу азаят.

Color-reality prior

Булак fired-clay brick менен cementitious matrix ортосундагы түс айырмасын soft prior катары колдонот. Redness белгиси:

R_{d,i}=r_i-\frac{g_i+b_i}{2}

түрүндө. Булак \(\theta_b=0,05\) жана \(\theta_c=0,02\) босоголорун колдонот:

L_Q= \frac{1}{N} \sum_{i=1}^{N} \omega_i \left[ p_{\mathrm{brick},i}\, \mathrm{ReLU}(\theta_b-R_{d,i}) + p_{\mathrm{cement},i}\, \mathrm{ReLU}(R_{d,i}-\theta_c) \right]. \tag{11}

Бул hard veto эмес. Боз көрүнгөн чекитте геометриялык жана башка тармактык далилдер абдан күчтүү болсо, ал дагы эле brick катары классификацияланышы мүмкүн. Prior физикалык жактан адаттан тыш түс-класс дал келүүсүнө гана даражалуу каршылык көрсөтөт.

Relation prior: сызыктуулук жана бийиктик таянычы

L_R=L_{R\text{-shape}}+L_{R-z}, \] \[ L_{R\text{-shape}} = \frac{1}{N} \sum_{i=1}^{N} \omega_i p_{\mathrm{pipe},i} \mathrm{ReLU}(0,6-L_i)^2, \] \[ L_{R-z} = \frac{1}{N} \sum_{i=1}^{N} \omega_i p_{\mathrm{pipe},i} \mathrm{ReLU}(Z_{\mathrm{thresh}}-z_i). \tag{12}

Биринчи мүчө төмөн-linearity геометриясын жогорку ишеним менен pipe деп жарыялаган божомолдорду жазалайт. Экинчи мүчө pipe классын динамикалык жер босогосунан төмөн жайгаштырган божомолдорго каршылык көрсөтөт. Бирок изилдөөнүн өз ablation талдоосу “support ordering” сыяктуу физикалык божомолдор кулаган уранды үймөсүндө дайыма жарактуу эмес экенин көрсөтөт.

Жалпы үйрөнүү максаты

L_{\mathrm{total}} = L_{\mathrm{Focal}} + 0,5L_{\mathrm{Bound}} + \alpha L_Q + \beta L_R. \tag{13}

\(L_{\mathrm{Bound}}\) boundary head тин binary cross-entropy жоготуусу. \(\alpha\) жана \(\beta\) маалымат далили менен категориялык априорлордун ортосундагы салмакты жөнгө салат. Булак бул мета-параметрлер кол менен жөндөлгөнүн жана ар башка талаа/сенсор шарттарында оптималдуу маанилер өзгөрүшү мүмкүн экенин чектөө катары кабыл алат.

Apperceptive Layer жана curriculum self-training

Self-training үч ишеним босогосу менен жүрөт:

T=\{\tau_1,\tau_2,\tau_3\} = \{0,95,\ 0,90,\ 0,85\}.

Биринчи айлампада эң жогорку ишенимдүү pseudo-label дар гана кабыл алынат. Кийинки айлампаларда босого жумшартылып, татаалыраак аймактар системага киргизилет. Адам тарабынан боёлуп, ырасталган anchor аймактары persistent \(M_{\mathrm{anchor}}\) маскасында сакталат жана автоматтык процесс бул энбелгилерди өзгөртө албайт.

Окутуу кадамында жаңы pseudo-label менен учурдагы empirical label ортосунда дал келбестик болсо, өзгөргөн чекиттер жана алардын бир-hop коңшулары аныкталат:

M_{\mathrm{changed}}^{(i)} = \mathbb{I} \left( \hat y_i^{(t)}\neq y_i^{\mathrm{emp}} \right), \qquad M_{\mathrm{prop}}^{(i)} = \max_{j\in M_{\mathrm{knn}}(i)} M_{\mathrm{changed}}^{(j)}. \tag{14}

Андан кийин supervision mask жана үлгү салмактары өзгөртүлөт:

M_{\mathrm{sup}}^{(i)} \leftarrow \mathrm{clip} \left( M_{\mathrm{sup}}^{(i)} + 0,7M_{\mathrm{changed}}^{(i)} + 0,3M_{\mathrm{prop}}^{(i)}, 0,0,1,0 \right), \] \[ W_{\mathrm{smpl}}^{(i)} \leftarrow \mathrm{clip} \left( W_{\mathrm{smpl}}^{(i)} + 5,0M_{\mathrm{changed}}^{(i)} + 1,0M_{\mathrm{prop}}^{(i)}, 1,0,5,0 \right). \tag{15}

Максат талаштуу аймактарда ката pseudo-label чынжырынын граф боюнча көзөмөлсүз таралышын токтотуу.

Mode-collapse brake

\max_{c\in\{1,\ldots,C\}} \frac{N_c}{N} > 0,85. \tag{16}

Эгер кайсы бир класс жалпы pseudo-label мейкиндигинин %85 тен көбүн ээлесе, активдүү curriculum айлампасы токтотулуп, талапкер pseudo-label дар четке кагылат. Бул механизм тармак бүтүндөй көрүнүштү бир үстөм класска айланткан degenerate чечимдерди алдын алууга багытталган.

Адам интерфейси кантип иштейт?

Колдонуучу щетка менен чекит аймактарын тандап, энбелги бере алат. 3B координаттарды экран координаттарына проекциялоо классикалык view/projection матрицасы менен аткарылат:

\begin{bmatrix} x_{\mathrm{clip}}\\ y_{\mathrm{clip}}\\ z_{\mathrm{clip}}\\ w_{\mathrm{clip}} \end{bmatrix} = M_{\mathrm{projection}} M_{\mathrm{view}} \begin{bmatrix} x_i\\ y_i\\ z_i\\ 1 \end{bmatrix}. \tag{17}

Brush-drag жаңыртуусу 50 ms менен throttled. Көрсөтүлүүчү активдүү чекиттердин саны 15.000 ден ашканда viewport кокус downsample кылынган proxy чекиттерди колдонуп >30 FPS максат кылат; бирок brush түзөтүүлөрү толук чечилиштеги координаттарга жазылат.

Булак божомолдорду үч эпистемикалык ишеним катмарына бөлөт:

Apodictic: \(c_i\geq0,85\).
Assertoric: \(0,6\leq c_i<0,85\).
Problematic: \(c_i<0,6\).

Problematic катмар адам текшерүүсүнө артыкчылыктуу түрдө жөнөтүлөт.

Geometric fingerprint эмне үчүн керек?

\mathrm{Checksum} = \mathrm{MD5} \left( \mathrm{ByteStream}(\mathrm{Round}(P,4)) \right). \tag{18}

Чекит координаттары тегеректелип spatial checksum түзүлөт; ал глобалдык centroid жана bounding box маалыматтары менен бирге сакталат. Максат башка point cloud ка тиешелүү label архивинин жаңылыш учурдагы көрүнүшкө колдонулушун кармоо. Булак колдонмо түшүндүрмөсүндө бул болжол менен 1 mm координат тактыгында аткарыларын айтат.

Кокус Чекит Бөлүштүрүү Эмне Үчүн Адаштыруучу Ийгилик Жаратышы Мүмкүн?

Бир эле физикалык көрүнүштөгү коңшу чекиттер training жана test топторуна кокус тараса, xyz сыяктуу жайгашуу каналдары материалдын өзүн тааныбастан айланадагы энбелгилерди мейкиндикте таратууга мүмкүнчүлүк берет; изилдөөдө түс маалыматынын %90 бөлүгү бузулган базалык моделдин 0,839 mIoU га жетиши ушул “recognition ордуна interpolation” тобокелин көрсөткөн.

Ошондуктан изилдөө негизги баалоону 4 × 4 checkerboard spatial block-holdout протоколуна өткөргөн. Seed annotation training уячаларынан гана, ар бир класс үчүн %5 деңгээлде алынган; баалоо held-out уячаларында жүргүзүлүп, xyz жана normalized height киргизүү каналдары чыгарылган.

Бул өзгөрүү булак жыйынтыктарын чечмелөөнү түп-тамырынан өзгөртөт. Random split шартында raw xyz+rgb baseline 0,905–0,921 mIoU аралыгында үстөм көрүнөт. Бирок авторлор бул маанилерди чыныгы материал таануу өндүрүмдүүлүгү деп эсептебей, протокол тузагынын гана көрсөткүчү катары беришет.

Block-holdout протоколунун өз чектөөсү да бар. Бир узун pipe объекти checkerboard бөлүштүрүү менен ишенимдүү hold-out боло алган эмес; held-out уячаларында 1.237 pipe чекити, training уячаларында 20.004 pipe чекити калган. Ошондуктан негизги сандык стабилдештирүү жыйынтыктары concrete жана brick класстары жана алардын class mean мааниси боюнча түзүлгөн, pipe классы бул сандык салыштырууга киргизилген эмес.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

mIoU эмнени өлчөйт?

Төмөнкү туюнтма изилдөөнүн номерленген жаңы теңдемеси эмес, колдонулган метриканын стандарттык түшүндүрмө аныктамасы:

IoU_c= \frac{TP_c} {TP_c+FP_c+FN_c}, \qquad mIoU= \frac{1}{C} \sum_{c=1}^{C}IoU_c.

IoU бир класс үчүн божомолдонгон жана чыныгы аймактын кесилишин алардын биригүүсүнө бөлөт. mIoU болсо баалоого киргизилген класстардын IoU маанилеринин орточосу. Бул изилдөөдө маанилүү нерсе орточо mIoU чоңдугу гана эмес, ошол эле ыкма ар башка random seed жана checkerboard phase шартында кайталанганда жыйынтык канчалык өзгөрөрү.

Негизги алты-кайталоо жыйынтыгы

Конфигурация	Mean mIoU ± std	Эрежесиз түзүмгө салыштырмалуу жупташкан айырма	Оң кайталоо	Paired t
none	0,499 ± 0,088	—	—	—
core	0,532 ± 0,063	+3,3 ± 11,5 упай	4/6	0,70
core+brick	0,499 ± 0,086	−0,0 ± 14,0 упай	3/6	−0,01
core+comm	0,550 ± 0,038	+5,1 ± 9,1 упай	5/6	1,37
all7	0,534 ± 0,046	+3,5 ± 12,6 упай	3/6	0,68

Core конфигурациясы color reality, elevation support жана pipe shape деген үч негизги prior ды камтыйт. core+brick brick planarity prior ын; core+comm community smoothness prior ын кошот. all7, үч негизги эрежени жана төрт өзгөрмө эреженин баарын камтыйт.

Булак core+comm үчүн орточо +5,1 упай өсүштү “далилденген accuracy gain” катары бербейт. \(n=6\) деңгээлинде paired \(t=1,37\) маанилүү эмес. Ошол эле учурда run-to-run variance катышы \(F(5,5)=5,20\), %5 критикалык \(F\) мааниси 5,05 деп берилген жана дисперсиянын кысылышы “marginally significant” деп сүрөттөлгөн.

Эң начар эрежесиз жүрүш 0,333 mIoU болсо, core+community конфигурациясынын эң начар жүрүшү 0,495. Айырма +0,162, башкача айтканда +16,2 mIoU упай. Булак “hallucination suppression” дооматын дал ушул катастрофалык жүрүштөрдүн жоюлушу аркылуу сандык түрдө негиздейт.

Булактагы Таблица 2 жана Figure 9 дун так берилген орточо, стандарттык четтөө жана worst-case маанилеринен Verianla үчүн кайра чийилген. Алты жеке жүрүштүн булакта таблица түрүндө берилбеген чекиттери кайра түзүлгөн эмес.

Төрт өзгөрмө prior үчүн factorial ablation

Үч core rule туруктуу күйүп турган жана brick planarity, base support, cement scatter жана community эрежелери үчүн \(2^4=16\) комбинация бааланган.

Эреже	Mean mIoU негизги таасири	Түшүндүрмө
Brick planarity	+3,3 упай	Эң күчтүү оң өзгөрмө эреже
Community	+1,8 упай	Оң салым
Cement scatter	−0,3 упай	Жеңил терс
Base support	−1,9 упай	Кулаган үймө бекем таяныч ирети божомолун бузгандыктан терс

Бул жыйынтык физикалык prior жөн гана “физика билимин камтыганы үчүн” пайдалуу эмес экенин көрсөтөт. Prior дын баштапкы божомолу көрүнүштө жарактуу болбосо, адаштыруучу болушу мүмкүн. Булактагы base-support мисалы дал ушуну көрсөтөт: иреттүү түзүлүштөгү gravitational support күтүүсү кулаган уранды үймөсүндө системалуу түрдө бузулушу мүмкүн.

Чаң жана түс жоготуу robustness эксперименти

Изилдөө түс маалыматын акырындык менен чаң түсүнө карай бузуу үчүн төмөнкү трансформацияны колдонот:

c' = (1-\lambda)c + \lambda d_{\mathrm{dust}} + \mathcal{N}(0,0,03\lambda).

\(\lambda=0\) оригинал түс, \(\lambda=0,9\) болсо түс сигналы абдан катуу бузулган шарт. Булак full model өндүрүмдүүлүгү бул аралыкта 20,1 упай азайганын; color-free baseline болгону 6,9 упай жоготконун билдирет. Бул color-reality prior өзүнүн empirical божомолу бузулганда “anti-knowledge” болуп калышы мүмкүн экенин көрсөтөт.

Ал эми pipe классын коргогон сызыктуулук prior ы көбүрөөк формалдык-геометриялык эреже болуп, булак pipe өндүрүмдүүлүгү түс бузулушунун ичинде болжол менен 0,83–0,85 аралыгында калганын билдирет.

Дагы бир robustness жыйынтыгы жайгашуу каналдарынын domain shift шартындагы коркунучун көрсөтөт. Block holdout шартында positional channels камтыган full model 0,292 mean mIoU га түшүп кеткен, ошол эле архитектуранын positional channels алынган версиясы 0,608 ге жеткен.

Аннотация экономикасы

Иш агымынын баскычы	Тыгыз кол менен	KNS-PS HITL
Seed anchor painting (%1 бюджет)	—	12 мүн
Dense point-wise brush annotation	190 мүн	—
Boundary refinement & disentanglement	62 мүн	—
Curriculum self-training — 3 айлампа	—	9 мүн көзөмөлсүз машина убактысы
Problematic-strata review & correction	—	16 мүн
Final verification pass	14 мүн	9 мүн
Жалпы эксперт убактысы	266 мүн	37 мүн
Булакта берилген эксперт-убакыт кыскаруусу	—	%86,1

\frac{266-37}{266}\times100 \approx86,1\%.

Булак бул эсепти expert interaction time боюнча гана жүргүзөт. 9 мүнөттүк curriculum machine time көзөмөлсүз болгондуктан эки иш агымынын эксперт убактысынын суммасына киргизилген эмес. Компьютер энергиясы, жабдык убактысы же бүт системанын wall-clock чыгымы үчүн %86,1 үнөмдөө дооматы чыгарылбайт.

Reverse Schematism Деген Эмне жана BIM-Ready Геометрияны Кантип Түзөт?

Reverse schematism — адам текшерген семантикалык чекит энбелгилеринен материал үй-бүлөсүнө мүнөздүү геометриялык эрежелерди колдонуп параметрдик же watertight катуу денелерди түзгөн акыркы иштетүү баскычы; түтүк/арматура үчүн цилиндр, кирпич үчүн стандарттык модуль жана bond pattern, бетон үчүн adaptive alpha-shape колдонулат.

Масштабды калибрлөө

Фотограмметриялык чекит булутунун метрикалык масштабы түздөн-түз ишенимдүү болбогондуктан, булак ачык brick band дин стандарттык stretcher face өлчөмү аркылуу масштаб коэффициентин аныктайт:

k= \frac{240\ \mathrm{mm}} {\mathrm{median}(\text{brick-band major length})}.

Баалоо стандарттык бирдикке ±%20 ичинде жакындаса unit lock колдонулуп, кийинки геометриялык эсеп миллиметр мейкиндигинде жүргүзүлөт.

Түтүк жана арматура

DBSCAN физикалык жактан өзүнчө элементтерди кластерлейт. Ар бир кластердин негизги огу PCA менен, радиусу болсо огуна болгон radial аралыктардын медианасы менен аныкталат. Булактын түшүндүрмөсү боюнча геометриялык “цилиндр” формасы a priori кабыл алынат; чыныгы узундук, орун, огу жана радиус сыяктуу чоңдуктар маалыматтан өлчөнөт. Ар бир элемент жети параметр менен көрсөтүлөт.

Кирпич шаблону

Булак brick үчүн стандарттык модулду:

T=(240,\ 120,\ 60)\ \mathrm{mm}

деп, mortar gap ти \(g=10\) mm деп аныктайт. Mortar pitch:

\[ P=T+g \]

мамилеси менен түзүлөт. Bond-pattern маалымат базасында running bond, English bond, Flemish bond, three-stretcher-one-header жана header/shiner варианттары бар.

Brick template packing төрт негизги кадамдан турат: PCA негизиндеги frame ди small-angle sweep менен жакшыртуу, модулдук residual аркылуу огу дайындап берүү, mortar joint терге жараша phase alignment жана жетиштүү чекит таянычы бар lattice уячаларында бирдик brick solid дерин түзүү. Булак баштапкы PCA frame span катасы болжол менен 27 mm ден болжол менен 3 mm ге кыскарганын билдирет.

Бетон геометриясы

Бетон үчүн бир гана параметрдик форма таңууланбайт. Ар бир DBSCAN concrete clump жана анын чектериндеги pipe/rebar чекиттери adaptive alpha-shape менен оролот:

\alpha= \max(4\bar d,\ 20\ \mathrm{mm}),

бул жерде \(\bar d\) коңшу чекиттердин орточо аралыгы. Бул ыкма бетондун иретсиз геометриясын мүмкүн болушунча маалыматка байланыштуу калтырат.

Булак изилдөөдөгү reverse-schematism ыкма мамилелерине таянып Verianla үчүн өз алдынча, масштабсыз схема катары даярдалган.

Brick template-packing синтетикалык текшерүүсү

Сценарий	Күтүлгөн	Түзүлгөн	Булак эскертүүсү
3 × 2 brick wall, mortar joints	6	6	Борбор катасы ≤ 0,4 mm
5 × 4 brick wall	20	20	—
37° кыйшайган бир brick	1	1	Борбор катасы 0,2 mm
Double-course stack	2	2	Axis assignment менен чечилди
2 × 2 × 2 pile	8	8	—
High-noise 3 × 2 wall	6	6	2× ызы-чуу
Half-broken brick	0–1	1	Толук модулга толукталды
Беш bond-pattern wall	136	136	Бардык orientation дар туура
Double band, %35 occlusion	12	12	Орточо борбор катасы 8,8 mm

Булак ошондой эле full, half жана obliquely clipped синтетикалык solid дерде divergence-theorem volume integral жыйынтыктары теориялык көлөмдөргө дал келгенин; voxel чечилиши жана morphological closing ден кийин clipped-solid көлөмдөрү ground truth ка ±%6 ичинде болгонун; sparse-band solidification 5,76 L чыныгы көлөмгө каршы 5,3–5,5 L түзгөнүн билдирет.

Чыныгы баалоо көрүнүшүндөгү геометрия benchmarkы

Envelope backend	Убакыт (s)	Үч бурчтук	Watertight	Boundary edges
Adaptive alpha-shape	13,7	50.558	7/7	%0,00
Poisson reconstruction	13,9	109.528	4/7	%0,72
Gaussian-splat shell	15,3	35.172	7/7	%0,00

Бул таблицаны “эң аз үч бурчтук = эң жакшы” деп гана чечмелөөгө болбойт. Gaussian-splat shell эң компакттуу mesh түзүп, watertight бойдон калган; бирок булак brick course түзүмдөрү күчтүү smoothing шартында cement-dominated бир envelope ичине сиңгенин билдирет. Poisson майда class boundary бөлүнүштөрүн сактаган, бирок үч mesh ачык калган. Adaptive alpha-shape болсо изилдөөнүн өз чыныгы көрүнүшүндө watertightness жана class partition сактоо боюнча артыкчылыктуу backend болгон.

Reverse-schematism дин белгилүү каталары

Булак бул баскычты кемчиликсиз деп көрсөтпөйт. Эки гана бети көрүнгөн brick терде 1–2,5 cm frame ambiguity калышы мүмкүн. Gravity-fill prior асылып турган геометрияны ашыкча solid кылышы мүмкүн. Clipped беттерде болжол менен 8 mm voxel staircase изи калышы мүмкүн. Бул каталар моделдин кемчилигин жашыруунун ордуна белгилүү prior ларга байланыштырылат.

Изилдөө колдогон жыйынтыктар

Random point split + positional channels бир көрүнүштүү 3B сегментацияда чыныгы recognition ордуна spatial interpolation өлчөшү мүмкүн.
KNS-PS категориялык prior лары алты кайталоодо worst-case mIoU чегин көтөрүп, жүрүштөн-жүрүшкө өзгөрмөлүүлүктү азайткан.
+5,1 упайлык mean mIoU өсүшү булакта статистикалык далилденген орточо accuracy gain катары кабыл алынган эмес.
Brick planarity жана community prior лары factorial ablation да оң негизги таасир көрсөткөн.
Туура эмес көрүнүш божомолуна таянган base-support prior терс таасир бериши мүмкүн.
Color-reality prior күчтүү chromatic domain shift шартында бузулушу мүмкүн.
HITL иш агымы өлчөнгөн эксперттик өз ара аракет убактысын 266 мүнөттөн 37 мүнөткө кыскарткан.
Reverse-schematism текшерилген энбелги мейкиндигинен параметрдик/watertight геометрия түзө алган.

Изилдөө колдобогон жыйынтыктар

KNS-PS бардык CDW көрүнүштөрүндө орточо тактыкты статистикалык жактан жогорулатары далилденген эмес.
Жыйынтыктар көп-көрүнүштүү көз карандысыз benchmark текшерүүсү эмес.
Pipe классы негизги block-holdout сандык стабилдештирүү жыйынтыгына киргизилген эмес.
%86,1 мааниси жалпы компьютер/энергия/иштетүү чыгымынын кыскарышы эмес; бул эксперттик өз ара аракет убактысы.
Канттык философия “туура AI теориясы” экени эксперименттик түрдө далилденген эмес; изилдөө философиялык категорияларды инженердик долбоорлоо принциптерине айлантат.
Reverse-schematism чыгышы бардык BIM программаларында автоматтык жана көйгөйсүз иштей турганы көрсөтүлгөн эмес.
ROS 2/MoveIt 2 менен автономдуу физикалык бузуу бул изилдөөдө жүргүзүлгөн эксперимент эмес.
XR негизиндеги толук талаа apperception жана closed-loop KUKA аткаруусу бул макаланын аяктаган текшерүүсү эмес.

Изилдөөнүн негизги чектөөлөрү

Бир көрүнүш: бардык негизги сандык сегментация жыйынтыктары бир көрүнүшкө негизделет. CODD, ZeroWaste жана башка физикалык касиеттерге ээ экинчи көрүнүштө системалуу benchmarking келечектеги иш катары калтырылган.

Pipe holdout көйгөйү: checkerboard block-holdout бир узун pipe объектин көз карандысыз тест бөлүгүнө айланта албагандыктан негизги стабилдештирүү дооматтары concrete, brick жана алардын класс орточосу менен чектелет.

Статистикалык күч: эң жакшы mean gain \(n=6\) кайталоодо маанилүү эмес. Ошондуктан булактын негизги claim и accuracy эмес, stability.

Rule selection leakage тобокели: rule конфигурациялары ошол эле көрүнүштө тандалып, бааланган. Башка көрүнүштө эреже тандоо/текшерүү жүргүзүлмөйүнчө “жалпы оптималдуу эрежелер топтому” деп айтууга болбойт.

Domain shift: color-reality prior таянган түс түзүмү чаң, жарык же сенсор өзгөрүшү менен бузулушу мүмкүн. Булак түс жана жайгашуу маалыматтары бир учурда олуттуу жоголгондо %5 seed геометриялык үйрөнүү да 0,17–0,20 mIoU деңгээлине түшкөнүн capability boundary катары көрсөтөт.

Hand-tuned мета-параметрлер: \(\alpha\), \(\beta\), curriculum thresholds \(T\) жана %85 mode-collapse ceiling булак тарабынан кол менен жөндөлгөн параметрлер.

195.569 / 237.560 чекит айырмасы: интерфейс/reconstruction баалоосу менен labor-economics баалоосу ар башка point count менен берилет. Булак бул айырма preprocessing, башка үлгү же башка маалымат баскычынан чыкканбы, аны ачык түшүндүрбөйт.

Роботтук жана XR интеграциясынын чыныгы абалы

Макала физикалык роботтук бузуу эксперименти жүргүзүлгөнүн доомат кылбайт. Булак муну келечектеги интеграция жолу катары ачык бөлөт. Ошол эле учурда rcxr аттуу Godot негизиндеги интеграция интерфейси иштелип жатканын билдирет. Бул архитектурада wrist-mounted RealSense D415, алты октуу KUKA KR210, Raspberry Pi 5 acquisition node, ROS 2 TSDF fusion, Godot front end жана USD аркылуу NVIDIA Omniverse/Isaac Sim mapping компоненттери сүрөттөлөт.

Булак Figure 16 да компоненттерди implemented, in progress жана planned деп бөлөт. KNS-PS semantic segmentation ды бул acquisition pipeline га кошуу, MoveIt 2 пландоо жана physical KR210 үстүндө closed-loop execution келечектеги этаптар. Ошондуктан азыркы изилдөөнүн сегментация жыйынтыгын “робот бузуу иштерин ийгиликтүү аткарды” деп кеңейтүү туура эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска эмгек: An annotation-efficient Kantian neuro-symbolic AI framework for few-shot point cloud segmentation of construction and demolition waste.

Авторлор: Жүктөлгөн PDF нин башкы бетинде авторлордун аттары жок. Ишенимдүү расмий библиографиялык жазуу аркылуу ырасталбагандыктан, аттар кошулган жок.

Жооптуу автор: Жүктөлгөн PDF де көрсөтүлгөн эмес.

Тең салым: Жүктөлгөн PDF де көрсөтүлгөн эмес.

Мекеме / аффилиация: Жүктөлгөн PDF де авторлордун аффилиациялары көрсөтүлгөн эмес.

Булак түрү: Аз үлгүлүү 3B point-cloud semantic segmentation, Human-in-the-Loop аннотация, neuro-symbolic learning жана геометриялык reconstruction камтыган эсептөөчү изилдөө препринти.

Рецензия абалы: PDF ар бир бетинде “This preprint research paper has not been peer reviewed” деген билдирүүнү камтыйт.

Платформа: SSRN.

SSRN abstract номери: 7624637.

Расмий шилтеме: https://ssrn.com/abstract=7624637

DOI: Жүктөлгөн PDF де берилген эмес жана ишенимдүү расмий булактан ырасталбагандыктан божомолдонгон жок.

Posting / жарыя күнү: Жүктөлгөн макала текстинде библиографиялык posting күнү көрсөтүлгөн эмес. PDF файл metadata даталары илимий жарыя күнү катары кабыл алынган жок.

Журнал / том / сан: Каралган булак journal version of record эмес; бул библиографиялык талаалар булакта жок.

Лицензия: Ачык Creative Commons кайра колдонуу лицензиясы ырасталган эмес. Ошондуктан булак фигуралары түз көчүрүлгөн эмес.

Борбордук модель: Kantian Neuro-Symbolic Perception System (KNS-PS), dual-head EdgeConv tabanlı graph neural network + diferansiyellenebilir categorical priors + Human-in-the-Loop curriculum self-training.

Киргизүү белгилери: Нормалдаштырылган 3B координаттар, RGB, багытталган бет нормалдары, covariance-derived linearity, planarity жана scattering.

Граф түзүмү: Self-loop-free k-nearest-neighbor topology.

Supervised loss: Dynamic balanced focal loss; \(\gamma=2,0\).

Color prior: \(R_d=r-(g+b)/2\); \(\theta_b=0,05\), \(\theta_c=0,02\).

Pipe shape prior: Linearity threshold \(L_i=0,6\) чеги булак теңдемесинде колдонулат.

Curriculum: \(T=\{0,95,0,90,0,85\}\).

Mode-collapse brake: Tek bir sınıf pseudo-label alanının %85'inden fazlasını ele geçirirse aktif tur reddedilir.

Confidence strata: apodictic \(c_i\geq0,85\); assertoric \(0,6\leq c_i<0,85\); problematic \(c_i<0,6\).

Программалык камсыздоо: Algorithmic pipeline Python + TensorFlow 2.x; interactive visualization Open3D.

Интерфейс: 15.000 чекиттен жогору viewport үчүн LOD/downsample; максат >30 FPS; brush projection жаңыртуусу 50 ms throttle.

Optimizer / үйрөнүү ылдамдыгы / batch size / GPU жабдыгы: Булакта ачык берилген ишенимдүү маани табылган жок; жетишпеген талаалар толтурулган эмес.

Негизги баалоо протоколу: 4 × 4 spatial checkerboard block-holdout; training cell дерден класс башына %5 seed; held-out cell баалоосу; positional xyz/normalized-height каналдары алып салынган.

Негизги кайталоо саны: Беш rule configuration үчүн алты paired random-seed/checkerboard-phase кайталоосу.

Негизги өндүрүмдүүлүк чечмелөөсү: Core+community mean mIoU өсүшү +5,1 упай болсо да \(n=6\) да маанилүү эмес; негизги далил дисперсиянын 5,2 эсе азайышы жана worst-case floor дун 0,333 төн 0,495 ке көтөрүлүшү.

Factorial ablation: Үч core rule туруктуу болгондо төрт variable rule үчүн \(2^4=16\) комбинация. Main effects: brick planarity +3,3; community +1,8; cement scatter −0,3; base support −1,9 mIoU упай.

Аннотация экономикасы: 237.560 чекиттүү көрүнүштө dense manual expert time 266 мүн; KNS-PS expert interaction 37 мүн; булакта берилген кыскаруу %86,1. Болжол менен 9 мүн unattended curriculum machine time эксперт убактысына киргизилген эмес.

Reverse-schematism: Pipe/rebar → DBSCAN + PCA + median radius + parametrik cylinder; brick → 240 × 120 × 60 mm module, 10 mm mortar gap, bond-pattern packing; concrete → adaptive alpha-shape, \(\alpha=\max(4\bar d,20\ \mathrm{mm})\).

Чыныгы көрүнүш envelope benchmarkы: 195.569 чекит, жети class-level component. Adaptive alpha-shape: 13,7 s, 50.558 triangles, 7/7 watertight. Poisson: 13,9 s, 109.528 triangles, 4/7 watertight. Gaussian-splat shell: 15,3 s, 35.172 triangles, 7/7 watertight, бирок булакта күчтүү smoothing айынан class structure жоготуусу билдирилген.

Булак ичиндеги point-count айырмасы: Figure 5 / reverse reconstruction 195.569 чекиттүү баалоо көрүнүшүн; labor-economics Table 3 болсо 237.560 чекиттүү evaluation scene ди колдонот. Мамиле булакта ачык түшүндүрүлбөгөндүктөн теңештирилген эмес.

Каржылоо: Жүктөлгөн PDF де өзүнчө funding билдирүүсү табылган эмес.

Авторлордун салымдары / CRediT: Жүктөлгөн PDF де өзүнчө CRediT authorship contribution statement табылган эмес.

Генеративдик жасалма интеллект билдирүүсү: Авторлор Claude (Anthropic) колдонушканын; колдонуу абзац уюштуруу/жайгаштыруу жана англис тилинин грамматикасын текшерүү максатын көздөгөнүн; негизги түшүнүктөр, сунушталган алкак жана иштеп чыгуу авторлордон чыкканын; акыркы мазмун үчүн жоопкерчиликти өздөрү алганын билдиришет.

Кызыкчылыктардын кагылышы: Авторлор белгилүү атаандаш финансылык кызыкчылык же изилдөөгө таасир бере турган жеке мамиле жок экенин билдиришет.

Маалымат жеткиликтүүлүгү: “Data will be made available on request.” билдирүүсү бар.

Негизги ыкмалык чектөө: Бир көрүнүштүү баалоо, pipe классын негизги block-holdout жыйынтыгынан чыгаруу, эрежелерди ошол эле көрүнүштө тандоо, кайталоонун аз саны жана кол менен жөндөлгөн prior/curriculum мета-параметрлери жалпылануучулукту чектейт.

Роботтук/XR абалы: Физикалык robotic deconstruction experiment бул изилдөөдө жүргүзүлгөн эмес. rcxr acquisition/digital-twin интеграциясы иштелип жатат; KNS-PS semantic insertion, MoveIt 2 жана closed-loop physical execution келечектеги этаптар катары берилет.

Маалымдоо жана түзөтүү эскертүүсү

Бул мазмун тиешелүү академиялык изилдөөгө таянуу менен жасалма интеллект колдогон куралдарды колдонуп даярдалды. Максат — изилдөөнүн негизги темасын, ыкмасын жана жыйынтыктарын түшүнүктүү жана жеткиликтүү түрдө баяндоо.

Мазмунду даярдоодо баштапкы изилдөөгө берилген бойдон калууга көңүл бурулганы менен, жасалма интеллект аркылуу мазмун түзүү процессинде маани, туюнтуу, котормо же чечмелөө каталары болушу мүмкүн. Илимий, техникалык же контексттик ката байкасаңыз, бизге info@verianla.com.tr дареги аркылуу билдире аласыз. Билдирилген жагдайлар каралып, зарыл болгон түзөтүүлөр киргизилет.

Мындан тышкары, Verianla сайтында изилдөөсү жарыяланган макаланын автору, укук ээси же ыйгарым укуктуу өкүлү тиешелүү мазмунду жарыялоодон алып салууну талап кыла алат. Алып салуу өтүнүчү үчүн макаланын шилтемесин жана өтүнүчтүн кыскача түшүндүрмөсүн info@verianla.com.tr дарегине жөнөтүү жетиштүү. Өтүнүч каралгандан кийин зарыл чара көрүлөт.

Verianla академиялык изилдөөлөрдү алмаштырууну эмес, илимий мазмунду кеңири аудиториянын түшүнүшүнө салым кошууну көздөйт. Академиялык же кесиптик баалоодо ар дайым изилдөөнүн түпнуска булагына таянуу сунушталат.

Бөлүшүү: