التجزئة الدقيقة هي تقنية تفصيل الشبكة المستخدمة على نطاق واسع. تعتمد الطرق الكلاسيكية على قواعد الوزن المحددة يدويًا ، وهي صعبة في إنشاء شبكة أدق مع التفاصيل المناسبة ، بينما تفتقر طرق التجزئة العصبية المتقدمة إلى القدرة الدائمة ومستوى التجزئة المحدود ، وتظهر صور ظلية على الأشكال الجديدة. لحل هذه المشاكل ، نقدم طريقة تجزئة الشبكة العصبية (NMR) التي تتعلم برهانات هندسية من الأشكال الدقيقة ، ثم تفصل تلقائيا الشبكة الخشنة ، مع عرض للفاعلية العامة. رؤيتنا الرئيسية هي ضرورة فصل الشبكات عن المعلومات غير المنظمة (مثل المقياس والدوران والتحول) لتمكينها من التركيز على تعلم وتطبيق البرهانات المحلية للتفصيل التلقائي. لهذا الغرض ، نقدم وصفات هيكلية داخلية ومرشحات عصبية محلية ومتكيفة. تستبعد وصفات الهيكل الداخلي المعلومات غير المنظمة لمحاذاة الصلحات المحلية ، مما يثبت المجال الميزات الداخلية ويتيح للشبكة استخراج البرهانات بثبات. يستخدم مرشح العصبية آلية الانتباه الرسمي لاستخراج السمات الهيكلية المحلية وتطبيق المعرفة السابقة المتعلمة على الصلحات المحلية. بالإضافة إلى ذلك ، نلاحظ أن فقدان شاربونييه الأمثل يمكن أن يخفف من التنعيم الزائد. من خلال دمج هذه الاختيارات التصميمية ، حصلت الطريقة المقدمة على القدرة الهندسية المتينة والقدرة المحلية للتكيف ، وزادت من القدرة على التنوع في الأشكال غير المعروفة ومستوى التجزئة التلقائي. تم تقييم هذه الطريقة على مجموعة معقدة من الأشكال ثلاثية الأبعاد ، وأظهرت النتائج أنها تتفوق على الطرق الحالية في جودة الهندسة. انظر صفحة المشروع https://zhuzhiwei99.github.io/NeuralMeshRefinement.

معالجة الهندسة ؛ تحسين الشبكة ؛ تقسيم الشبكة ؛ تعلم التمثيل المفصول ؛ الشبكات العصبية ؛ الانتباه الرسمي