Over the years, the scientific interest towards 3D models analysis has become more popular. Problems such as classification, retrieval and matching are studied with the idea to offer robust solutions. This paper introduces a 3D object classification method for non-rigid shapes, based on the detection of key points, the use of spectral descriptors and deep learning techniques. We adopt an approach of converting the models into a “spectral image”. By extracting interest points and calculating three types of spectral descriptors (HKS, WKS and GISIF), we generate a three-channel input to a convolutional neural network. This CNN is trained to automatically learn features such as topology of 3D models. The results are evaluated and analyzed using the Non-Rigid Classification Benchmark SHREC 2011. Our proposal shows promising results in classification tasks compared to other methods, and al...

El desarrollo de algoritmos para el análisis de imágenes ha sido estudiado por décadas. Sin embargo, los avances tecnológicos y la posterior aparición de nuevos dispositivos a bajo costo para la captura de datos tridimensio- nales, han logrado que la comunidad científica preste una atención especial en el desarrollo de métodos para el análisis de modelos tridimensionales. Esta tesis busca desarrollar un nuevo algoritmo para resolver el problema de búsqueda parcial de modelos 3D. En otras palabras, el objetivo es recu- perar todos aquellos modelos que presenten similitud parcial con un objeto consulta específico. Para ello, es necesario encontrar aquellas regiones en los modelos que sean consideradas más relevantes. Estas zonas son llama- das key components. Como parte de la tesis, dos aportes significativos fueron desarrollados. En primer lugar, se propone un algoritmo para l...

En años recientes, la comunidad científica ha mostrado un interés creciente hacia el análisis de modelos tridimensionales. Los avances en tecnología y la aparición de hardware específico para la captura y digitalización de información tridimensional ha hecho esto posible. En esta tesis, se propone un algoritmo para resolver el problema de clasificación en modelos tridimensionales no rígidos. En otras palabras, 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 la...

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 %...

Common problems in climatological time series data are high dimensionality, correlation between the sequential values and noise due to calibration of meteorological stations influencing dramatically in the quality of clustering, classification, climate pattern finding and data processing. One way to deal with this problem is through feature extraction technique. In order to extract features from large climatological time series data, we propose a feature extraction method based on autoencoder neural network (AUTOE). As a first step, time series is standardized. Then, different architectures of autoencoder is applied on it to reduce dimensionality. Finally, k-means clustering algorithm are used to evaluate them through quality measures. As a result, autoencoder performs well and is competitive with other feature extraction techniques over Synthetic Control Chart Time Series.