挺起身来，关注跨栏！

跨栏运动是田径运动中的一项重要比赛项目，它不仅需要跑步速度，还需要运动员具备良好的技术、强大的意志力和出色的协调能力。跨栏运动是一项高强度的训练项目，练习跨栏不仅可以提高身体素质，还可以培养优良的品格和良好的团队合作精神，因此备受广大青少年及家长的青睐和支持。本文将从四个方面详细介绍跨栏运动的好处，以便广大爱好者更好地了解和掌握跨栏技巧。

第一方面：锻炼身体素质

跨栏运动可以练习运动员的敏捷性、速度、力量和耐力等方面的身体素质。跨栏练习需要运动员在短时间内快速加速、过栏、跨步等，要求身体反应速度快、肌肉力量强、心肺耐力好。因此，跨栏运动不仅可以让人体重量指数降低，还可以增加肌肉质量、提高心肺功能，同时增加身体柔韧性和协调性。此外，跨栏运动对预防骨质疏松和减缓衰老也有一定的作用。

第二方面：提高意志力和协作能力

跨栏运动需要克服许多困难和挑战，需要运动员在非常短的时间内完成过栏、加速、跨步等一系列复杂的动作，需要运动员要保持高度的专注和意志力。跨栏运动也需要与队友互相配合、沟通协作，需要运动员具备出色的团队合作精神。这种精神和协作能力不仅可以帮助运动员在比赛中取得好成绩，还可以帮助他们更好地融入团队，克服挑战和改善人际关系。

第三方面：增强自信心和自尊心

跨栏运动也可以帮助运动员增加自信心和自尊心。由于跨栏运动的复杂性和高难度性，许多人在练习跨栏时会遇到挫折和困难，但是坚持下来并取得好成绩会增加运动员的自信心和自尊心。此外，运动员在比赛中取得好成绩会受到教练和队友的认可和赞扬，进一步增强运动员的自信心和自尊心。

第四方面：培养优良的品格和价值观

跨栏运动也可以培养运动员一系列优良的品格和价值观，例如坚韧不拔、勤奋自律、团结协作、竞争公平等。跨栏运动是一项需要不断克服困难和挑战的项目，需要运动员不断提升自己、超越自我。这种品格和价值观将对运动员的人生产生深远的影响。

总结

跨栏运动是一项非常有益的运动项目，它可以提高身体素质、锻炼协调能力和意志力、增强自信心和自尊心、培养优良的品格和价值观。跨栏练习需要不断提升自己、超越自我，这种优良的品格和价值观将对运动员的人生产生深远的影响。因此，我们应该多关注跨栏运动，让更多的人了解和参与其中。

常见问题解答

1. 跨栏运动对身体有哪些好处？

答：跨栏运动可以提高身体素质、锻炼协调能力和意志力、增强自信心和自尊心、培养优良的品格和价值观。

2. 跨栏运动适合哪些人练习？

答：跨栏运动适合年龄在中小学阶段的青少年练习，对于成年人来说也可以作为保持身体健康的运动项目。

3. 跨栏练习需要注意哪些事项？

答：跨栏练习需要注意安全，要在指导教练的指导下进行，保证正确的练习方法，避免伤害。同时，避免过度训练，适量运动，防止运动损伤。

挺起身来，关注跨栏！特色

1、常用英汉词条0万个，专业词条0万个，专业词库覆盖医学经济工程计算机等十余个领域

2、文字支持多种动画搭配使用。

3、这里在像素世界中，每次更新都能出现一些比较有意思的强力红武装备；

4、专业的融媒体新闻平台

5、如果觉得不满意的话那么就点击叉号就可以重新制作了；

挺起身来，关注跨栏！亮点

1、熹妃传小七手游安卓版下载

2、每天都有一些任务在等待您完成，这可以帮助您获得许多精美的配件，以增加您的魅力价值

3、图片+文字晒爱鸽，可以点赞收藏和评论，可以更多鸽友看到

4、不出门能轻松办理事务

5、更好的在线记录用户美好瞬间，了解不同的信息服务也会更精准。

changyongyinghancitiao0wange，zhuanyecitiao0wange，zhuanyecikufugaiyixuejingjigongchengjisuanjidengshiyugelingyuwenzizhichiduozhongdonghuadapeishiyong。zhelizaixiangsushijiezhong，meicigengxindounengchuxianyixiebijiaoyouyisideqianglihongwuzhuangbei；zhuanyederongmeitixinwenpingtairuguojiaodebumanyidehuanamejiudianjichahaojiukeyizhongxinzhizuole；CVPR 2023｜無(wu)需(xu)標(biao)註(zhu)數(shu)據(ju)，「3D理(li)解(jie)」進(jin)入(ru)多(duo)模(mo)態(tai)預(yu)訓(xun)練(lian)時(shi)代(dai)！ULIP系(xi)列(lie)全(quan)面(mian)開(kai)源(yuan)，刷(shua)新(xin)SOTA

新智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：LRS

【新智元導(dao)讀(du)】機(ji)器(qi)开始(shi)理解3D世(shi)界(jie)了(le)！

通(tong)過(guo)對(dui)齊(qi)三(san)維(wei)形(xing)狀(zhuang)、二(er)维圖(tu)片(pian)以(yi)及(ji)相(xiang)應(ying)的(de)語(yu)言(yan)描(miao)述(shu)，多模态预训练方(fang)法(fa)也(ye)帶(dai)動(dong)了 3D表(biao)征(zheng)學(xue)習(xi)的發(fa)展(zhan)。

不(bu)过現(xian)有(you)的多模态预训练框(kuang)架(jia) 收(shou)集(ji)数据的方法缺(que)乏(fa)可(ke)擴(kuo)展性(xing)，極(ji)大(da)限(xian)制(zhi)了多模态学习的潛(qian)力(li)，其(qi)中(zhong)最(zui)主(zhu)要(yao)的瓶(ping)頸(jing)在(zai)於(yu)语言模态的可扩展性和(he)全面性。

最近(jin)，Salesforce AI聯(lian)手(shou)斯(si)坦(tan)福(fu) 大学和得(de)克(ke)薩(sa)斯大学奧(ao)斯汀(ting)分(fen)校(xiao)，发布(bu)了ULIP（CVP R2023）和ULIP-2項(xiang)目(mu)，這(zhe)些(xie)项目正(zheng)在引(yin)領(ling)3D理解的新篇(pian)章(zhang)。

論(lun)文(wen)鏈(lian)接(jie)：https://arxiv.org/pdf/2212.05171.pdf

论文链接：https://arxiv.org/pdf/2305.08275.pdf

代碼(ma)链接：https://github.com/salesforce/ULIP

研(yan)究(jiu)人(ren)員(yuan)采(cai)用(yong)了獨(du)特(te)的方法，使(shi)用3D點(dian)雲(yun)、图像(xiang)和文本(ben)进行(xing)模型(xing)的预训练，將(jiang)它(ta)們(men)对齐到(dao)壹(yi)個(ge)統(tong)一的特征空(kong)間(jian)。这種(zhong)方法在3D分類(lei)任(ren)務(wu)中取(qu)得了最先(xian)进的結(jie)果(guo)，並(bing)為(wei)跨(kua)领域(yu)任务（如(ru)图像到3D檢(jian)索(suo)）开辟(pi)了新的可能(neng)性。

并且(qie)ULIP-2将这种多模态预训练變(bian)得可以不需要任何(he)人工(gong)标注，從(cong)而(er)可以大規(gui)模扩展。

ULIP-2在ModelNet40的下(xia)遊(you)零(ling)樣(yang)本分类上(shang)取得了顯(xian)著(zhu)的性能提(ti)升(sheng)，達(da)到74.0%的最高(gao)準(zhun)確(que)率(lv)；在现實(shi)世界的ScanObjectNN基(ji)准上，僅(jin)用140萬(wan)个參(can)数就(jiu)獲(huo)得了91.5%的總(zong)體(ti)准确率，标誌(zhi)著(zhe)在无需人类3D标注的可扩展多模态3D表示(shi)学习方面的突(tu)破(po)。

对齐（3D，图像，文本）这三种特征的预训练框架示意(yi)图

代码以及发布的大规模tri-modal的数据集(「ULIP - Objaverse Triplets」和「ULIP - ShapeNet Triplets」)已(yi)經(jing)开源。

背(bei)景(jing)

3D理解是(shi)人工智能领域的重(zhong)要組(zu)成(cheng)部(bu)分，它讓(rang)机器能像人类一样在三维空间中感(gan)知(zhi)和互(hu)动。这种能力在自(zi)动駕(jia)駛(shi)汽(qi)車(che)、机器人、虛(xu)擬(ni)现实和增(zeng)強(qiang)现实等(deng)领域都(dou)有着重要的应用。

然(ran)而，由(you)于3D数据的處(chu)理和解釋(shi)復(fu)雜(za)性，以及收集和注释3D数据的成本，3D理解一直(zhi)面臨(lin)着巨(ju)大的挑(tiao)戰(zhan)。

ULIP

Tri-modal 预训练框架以及其下游任务

ULIP（已经被(bei)CVPR2023接收）采用了一种独特的方法，使用3D点云、图像和文本进行模型的预训练，将它们对齐到一个统一的表示空间。

这种方法在3D分类任务中取得了最先进的结果，并为跨领域任务（如图像到3D检索）开辟了新的可能性。

ULIP的成功(gong)關(guan)鍵(jian)在于使用预先对齐的图像和文本编码器，如CLIP，它在大量(liang)的图像-文本对上进行预训练。

这些编码器将三种模态的特征对齐到一个统一的表示空间，使模型能夠(gou)更(geng)有效(xiao)地(di)理解和分类3D对象(xiang)。

这种改(gai)进的3D表示学习不仅增强了模型对3D数据的理解，而且還(hai)使得跨模态应用如zero-shot3D分类和图像到3D检索成为可能，因(yin)为3D编码器获得了多模态上下文。

ULIP的预训练損(sun)失(shi)函(han)数如下：

在ULIP的默(mo)認(ren)設(she)置(zhi)中，α被设置为0， β和θ被设置为1，每(mei)兩(liang)个模态之(zhi)间的对比(bi)学习损失函数的定(ding)義(yi)如下，这裏(li)M1和M2指(zhi)三个模态中的任意两个模态：

ULIP还做(zuo)了由图像到3D的retrieval的实驗(yan)，效果如下：

实验结果可以看(kan)出(chu)ULIP预训练的模型已经能够学习到图像和三维点云间有意义的多模态特征。

令(ling)人驚(jing)訝(ya)的是，相較(jiao)于其他(ta)的检索到的三维模型，第(di)一名(ming)检索到的三维模型與(yu)查(zha)詢(xun)图像的外(wai)觀(guan)最为接近。

例(li)如，當(dang)我(wo)们使用來(lai)自不同(tong)飛(fei)机类型（战鬥(dou)机和客(ke)机）的图片进行检索（第二行和第三行），检索到的最接近的3D点云仍(reng)然保(bao)留(liu)了查询图像的微(wei)妙(miao)差(cha)異(yi)。

ULIP-2

这里是一个3D物(wu)体生(sheng)成多角(jiao)度(du)文字(zi)描述的示例。首(shou)先，我们从一组視(shi)角将3D物体渲(xuan)染(ran)成2D图像，然後(hou)使用大型多模态模型为所(suo)有渲染出的图像生成描述

ULIP-2在ULIP的基礎(chu)上，利(li)用大型多模态模型为3D物体生成全方面对应的语言描述，从而收集可扩展的多模态预训练数据，无需任何人工标注，使预训练过程(cheng)和训练后的模型更加(jia)高效并且增强其適(shi)应性。

ULIP-2的方法包(bao)括(kuo)为每个3D物体生成多角度不同的语言描述，然后用这些描述来训练模型，使3D物体、2D图像、和语言描述在特征空间对齐一致(zhi)。

这个框架使得无需手动注释就可以創(chuang)建(jian)大量的三模态数据集，从而充(chong)分发揮(hui)多模态预训练的潜力。

ULIP-2还发布了生成的大规模三模态数据集：「ULIP - Objaverse Triplets」和「ULIP - ShapeNet Triplets」。

两个tri-modal的datasets的一些统計(ji)数据

实验结果

ULIP系列在多模态下游任务和3D表达的微調(tiao)实验中均(jun)取得了惊人的效果，尤(you)其ULIP-2中的预训练是完(wan)全不需要借(jie)助(zhu)任何人工的标注就可以实现的。

ULIP-2在ModelNet40的下游零样本分类任务中取得了显著的提升（74.0%的top-1准确率）；在真(zhen)实世界的ScanObjectNN基准測(ce)試(shi)中，它仅用1.4M参数就取得了91.5%的总体准确率，这标志着在无需人工3D标注的情(qing)況(kuang)下，实现了可扩展的多模态3D表示学习的突破。

消(xiao)融(rong)实验

两篇论文均做了詳(xiang)盡(jin)的消融实验。

在「ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding」中，由于ULIP的预训练框架有三个模态的参与，所以作(zuo)者(zhe)用实验探(tan)究了究竟(jing)是只(zhi)对齐其中的两个模态好(hao)还是对齐所有三个模态好，实验结果如下：

从实验结果中可以看到，在不同的3D backbone中，对齐三个模态一致的比只对齐两个模态好，这也应證(zheng)了ULIP的预训练框架的合(he)理性。

在「ULIP-2: Towards Scalable Multimodal Pre-training for 3D Understanding」中，作者探究了不同的大型多模态模型會(hui)对预训练的框架有什(shen)麽(me)影(ying)響(xiang)，结果如下：

实验结果可以看出，ULIP-2框架预训练的效果可以隨(sui)着使用的大型多模态模型的升級(ji)而提升，具(ju)有一定的成長(chang)性。

在ULIP-2中，作者还探索了在生成tri-modal的数据集是采用不同数量的视角会如何影响整(zheng)体预训练的表现，实验结果如下：

实验结果显示，随着使用的视角数量的增加，预训练的模型的zero-shot classification的效果也会随之增加。

这也应证了ULIP-2中的观点，更全方位(wei)多样性的语言描述会对多模态预训练有正向(xiang)的作用。

除(chu)此(ci)之外，ULIP-2还探究了取CLIP排(pai)序(xu)过的不同topk的语言描述会对多模态预训练有什么影响，实验结果如下：

实验结果表明(ming)：ULIP-2的框架对不同的topk有一定的魯(lu)棒(bang)性，论文中采用了top 5作为默认设置。

结论

由Salesforce AI，斯坦福大学，得克萨斯大学奥斯汀分校联手发布的ULIP项目（CVPR2023）和ULIP-2正在改变3D理解领域。

ULIP将不同的模态对齐到一个统一的空间，增强了3D特征的学习并啟(qi)用了跨模态应用。

ULIP-2进一步(bu)发展，为3D对象生成整体语言描述，创建并开源了大量的三模态数据集，并且这个过程无需人工标注。

这些项目在3D理解方面设定了新的基准，为机器真正理解我们三维世界的未(wei)来鋪(pu)平(ping)了道路(lu)。

團(tuan)隊(dui)

Salesforce AI:

Le Xue (薛(xue)樂(le))， Mingfei Gao (高明菲(fei))，Chen Xing（星(xing)辰(chen)），Ning Yu（于寧(ning)）， Shu Zhang（張(zhang)澍(shu)），Junnan Li（李(li)俊(jun)男(nan)）， Caiming Xiong（熊(xiong)蔡(cai)明），Ran Xu（徐(xu)然），Juan carlos niebles， Silvio savarese。

斯坦福大学：

Prof. Silvio Savarese, Prof. Juan Carlos Niebles, Prof. Jiajun Wu(吳(wu)佳(jia)俊)。

UT Austin：

Prof. Roberto Martín-Martín。

参考(kao)資(zi)料(liao)：

https://arxiv.org/pdf/2212.05171.pdf

https://arxiv.org/pdf/2305.08275.pdf返(fan)回(hui)搜(sou)狐(hu)，查看更多

責(ze)任编辑：