本文探讨了在3D场景（如3D扫描、第一人称视频或鸟瞰图）中进行SituatedQuestionAnswering(SQA3D)的任务，涉及智能体定位、空间关系理解、导航及常识推理。文章基于650ScanNet场景中的6.8K独特情况，共20.4k描述和33.4k问题，比较了不同数据集和模型的表现。
SQA3D：SITUATED QUESTION ANSWERING IN 3D SCENES
embodied scene understanding
SQA3D任务：给一个3d场景，可以是3D scan, ego-centric video, or bird-eye view (BEV) picture，智能体需要理解和定位自己的状态，包括位置，方向等。
从空间关系到导航、常识推理、跳读推理
In total, SQA3D comprises 20.4k descriptions of 6.8k unique situations collected from 650 ScanNet scenes and 33.4k questions about these situations
从650张ScanNet场景，6.8K唯一状态、20.4k描述，33.4K问题
不同数据集对比：
数据收集：
数据集描述：
模型：
对比结果：
扫一扫
272
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
