Clasificación de modelos tridimensionales no rígidos mediante redes neuronales convolucionales y descriptores espectrales

• Autor: Llerena Quenaya, Jan Franco
• Formato: tesis de grado
• Fecha de Publicación: 2018
• Institución: Consejo Nacional de Ciencia Tecnología e Innovación
• Repositorio: CONCYTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.concytec.gob.pe:20.500.12390/1667
• Enlace del recurso: https://hdl.handle.net/20.500.12390/1667
• Nivel de acceso: acceso abierto
• Materia: Modelos tridimensionales; Captura tridimensional; Digitalización de información; Algoritmos; https://purl.org/pe-repo/ocde/ford#2.02.04

El objetivo es determinar la clase a la cual pertenece un objeto de entrada. Para ello, se desarrolló un algoritmo basado en la detección de puntos de interés, el uso de descriptores espectrales y técnicas de deep learning. La principal contribución de este trabajo es una técnica que permitirá ayudar en tareas de clasificación, y que muestra robustez ante ciertos escenarios, puesto que tiene en consideración las diferentes transformaciones y/o deformaciones a las que se ven sujetos los modelos. Los resultados son evaluados y analizados usando la base de datos de SHREC 2011 (Non-Rigid Classification Benchmark), la cual contiene diferentes clases de modelos. Más aún, la propuesta es comparada con algunos métodos recientes del estado del arte, mostrando resultados promisorios. Considerando dos particiones diferentes de la colección de modelos, se obtiene una precisión del 91 % y del 95 % para cada caso, valores que superan a otros enfoques. Asimismo, nuestros resultados muestran robustez ante transformaciones como isometrías, ruido Gaussiano, agujeros, micro agujeros, escalamiento, sampling y shotnoise.