11:13arXiv cs.LG@Constanza A. Molina Catricheo, Simon Boeder, Ting-Jia Guo, Giacomo May, Clément Berthelot, Devis Tuia, Friedrich Fedor Reinhard, Fabio Remondino, Benjamin Risse该研究发布了1.4 TB多模态无人机数据集,覆盖104棵含巢树木,包含27,945张RGB图像、111,780张多光谱图像及约7.81亿个3D点。语义分割基准测试中,Point Transformer V3在测试集上达到86.35% mIoU,优于KPConv和RandLA-Net。数据集结合光谱、空间与结构信息,可支持巢体积估计等生态应用,并为极端类别不平衡下的3D分割算法提供挑战性基准。论文NEST3D多模态3D分割语义分割数据集推荐理由:生态数据集,3D分割新基准原文
10:14arXiv cs.LG@Jiefang Xiao, Maolin Gao, Simon Weber, Guandao Yang, Daniel Cremers本文提出 Functional Attention,一种将 Transformer 注意力机制重新解释为自适应基函数之间函数对应关系的方法。受几何函数映射启发,该方法用结构化线性算子替代 softmax 亲和度,从而获得紧凑、可泛化、分辨率不变的表示,显式捕捉全局依赖。实验表明,在求解 PDE、3D 分割和回归等算子学习任务中,Functional Attention 达到最先进性能,且对不同离散化方式保持鲁棒。项目代码已开源。论文算子学习注意力机制函数对应PDE求解3D分割推荐理由:做算子学习或 PDE 求解的团队,终于有办法让 Transformer 不再把连续场当离散 token 处理了——Functional Attention 用函数对应替代 token 注意力,既提升泛化又保持分辨率不变,值得一试。原文