تکنیکهای فعلی در تخمین وضعیت اشیاء (Object Pose Estimation) معمولاً با تنوع دادهها مشکل دارند و به پارامترهای ثابت محدود میشوند. حالا محققان در پژوهشی جدید، فریمورک نوآورانه MemPose را معرفی کردهاند که با استفاده از یک «حافظه هندسی»، به مدل اجازه میدهد از تجربههای قبلی خود استفاده کند.
این مدل با ذخیره و بهروزرسانی لحظهای ویژگیهای ساختاری اشیاء، دقت تخمین را در محیطهای مختلف و پیچیده به شدت افزایش داده و در بنچمارکهای معتبری مثل REAL275 و Wild6D عملکرد خیرهکنندهای از خود نشان داده است. این یعنی یک قدم دیگر به سمت سیستمهای بینایی ماشین که نه تنها میبینند، بلکه از گذشته خود درس میگیرند! 🧠✨
منبع: arXiv AI