Hluboké neuronové sítě pro sesouhlasení 3D modelů
Loading...
Date
Authors
Pukanec, Dávid
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Zosúhlasovanie 3D modelov je často robené za pomoci registrácie mračien bodov. Úloha registrátie spočíva v nájdení transformácie, ktorá na seba zarovná dané mračná bodov. Existuje mnoho metód založených na hlbokom učení, ktoré sa daju deliť do dvoch kategórií. Tieto metódy zvyčajne poskytujú vyhodnotenie v rámci jednej kategórie a navyše na ro- zličných datasetoch či metrikách. Táto práca sa zaoberá hlbším prieskumom metód Lepard a FINet. Za pomoci datasetov ModelNet40 a Teeth3DS je vykonaná séria experimentov zameriavajúca sa na zložíté prípady registrácie. Experimenty ukázali, že FINet dokáže zarovnať predtým nevidené tvary s translačnou chybou 4.16% veľkosti modelu a rotačnou chybou 3.640 stupňov. Zatiaľ čo Lepard má translačnú chybu 6.73% veľkosti modelu a rotačnú chybu 7.265 stupňov.
The problem of mesh alignment is often solved through point cloud registration. Numer- ous deep learning-based registration methods are published every year achieving state-of- the-art results. Based on their core concepts, the methods can loosely be divided into correspondence-based and correspondence-free. Even though comparisons of individual methods exist, the cross-evaluations of both categories are lacking. In this work, a deeper evaluation of Lepard and FINet models is presented. For this purpose, the ModelNet40 and Teeth3DS datasets are used. The experiments show that FINet is able to align unseen shapes, obscured by partiality and noise with a translation error of 4.16% of model size and a rotation error of 3.640 degrees. While Lepard manages this with a translation error of 6.73% of model size and a rotation error of 7.265 degrees.
The problem of mesh alignment is often solved through point cloud registration. Numer- ous deep learning-based registration methods are published every year achieving state-of- the-art results. Based on their core concepts, the methods can loosely be divided into correspondence-based and correspondence-free. Even though comparisons of individual methods exist, the cross-evaluations of both categories are lacking. In this work, a deeper evaluation of Lepard and FINet models is presented. For this purpose, the ModelNet40 and Teeth3DS datasets are used. The experiments show that FINet is able to align unseen shapes, obscured by partiality and noise with a translation error of 4.16% of model size and a rotation error of 3.640 degrees. While Lepard manages this with a translation error of 6.73% of model size and a rotation error of 7.265 degrees.
Description
Citation
PUKANEC, D. Hluboké neuronové sítě pro sesouhlasení 3D modelů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Počítačové vidění
Comittee
prof. Ing. Adam Herout, Ph.D. (předseda)
doc. Ing. Michal Španěl, Ph.D. (člen)
prof. Ing. Tomáš Vojnar, Ph.D. (člen)
doc. Ing. Vítězslav Beran, Ph.D. (člen)
doc. Ing. Peter Chudý, Ph.D., MBA (člen)
Ing. David Bařina, Ph.D. (člen)
Date of acceptance
2024-06-18
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení