view in publisher's site

Detecting 3D Points of Interest Using Multiple Features and Stacked Auto-encoder

Considering the fact that points of interest on 3D shapes can be discriminated from a geometric perspective, it is reasonable to map the geometric signature of a point p to a probability value encoding to what degree p is a point of interest, especially for a specific class of 3D shapes. Based on the observation, we propose a three-phase algorithm for learning and predicting points of interest on 3D shapes by using multiple feature descriptors. Our algorithm requires two separate deep neural networks (stacked auto-encoders) to accomplish the task. During the first phase, we predict the membership of the given 3D shape according to a set of geometric descriptors using a deep neural network. After that, we train the other deep neural network to predict a probability distribution defined on the surface representing the possibility of a point being a point of interest. Finally, we use a manifold clustering technique to extract a set of points of interest as the output. Experimental results show superior detection performance of the proposed method over the previous state-of-the-art approaches.

تشخیص نقاط سه‌بعدی بهره با استفاده از Features چندگانه و Stacked Auto -

با در نظر گرفتن این حقیقت که نقاط مورد توجه به اشکال سه‌بعدی را می توان از دید هندسی مورد تبعیض قرار داد، منطقی است که امضای هندسی یک نقطه p به یک کد احتمال به یک نقطه مورد توجه باشد، به خصوص برای یک کلاس خاص از اشکال سه‌بعدی. براساس این مشاهدات، ما یک الگوریتم سه‌مرحله‌ای برای یادگیری و پیش‌بینی نقاط سود در شکل‌های سه‌بعدی با استفاده از descriptors ویژگی چندگانه پیشنهاد می‌کنیم. الگوریتم ما نیازمند دو شبکه عصبی عمیق جداگانه (stacked - encoders)برای انجام این کار است. در طول فاز اول، ما با توجه به مجموعه‌ای از descriptors هندسی با استفاده از یک شبکه عصبی عمیق، اعضای شکل سه‌بعدی داده‌شده را پیش‌بینی می‌کنیم. بعد از آن، ما سایر شبکه عصبی را آموزش می‌دهیم تا یک توزیع احتمال تعریف‌شده روی سطح را پیش‌بینی کنیم که نشان‌دهنده احتمال یک نقطه مورد توجه باشد. در نهایت، از یک تکنیک خوشه‌بندی چند جانبه برای استخراج مجموعه‌ای از نقاط مورد نظر به عنوان خروجی استفاده می‌کنیم. نتایج تجربی، عملکرد تشخیص برتر روش پیشنهادی نسبت به رویکردهای قبلی - هنر را نشان می‌دهد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.