Универсальные модели распознавания трехмерных объектов на облаках точек в помещенииUniversal models for 3D indoor object recognition in points clouds

Диссертация посвящена разработке универсальных нейросетевых моделей для распознавания трехмерных объектов в помещениях по облакам точек. Работа направлена на преодоление основных ограничений современных методов трёхмерного компьютерного зрения, таких как высокая вычислительная сложность, архитектурная разрозненность и слабая обобщающая способность моделей. В исследовании предложен подход, включающий три взаимосвязанных решения. Во-первых, разработан полностью сверточный метод, реализующий парадигму «от общего к частному» для совместной детекции и сегментации объектов без использования кластеризации, что обеспечивает повышение скорости и точности распознавания. Во-вторых, предложена универсальная трансформерная архитектура, способная одновременно решать задачи семантической, экземплярной и паноптической сегментации в рамках одной модели. В-третьих, разработан многодоменный детектор объктов, обучаемый на объединении нескольких датасетов и обеспечивающий устойчивую работу в различных условиях. Работа демонстрирует, что переход от узкоспециализированных моделей к универсальным многозадачным архитектурам позволяет значительно повысить эффективность и применимость трехмерного компьютерного зрения в реальных задачах, таких как робототехника, AR/VR и анализ помещений.