Použitie DNN pre analýzu trojuholníkových sietí v geometrickej morfometrii

Abstract

The aim of this thesis is to use deep learning for the task of 3D object recognition. Deep learning has been succesfully used for three dimensional data recognition. However, most of the published work chose to represent 3D objects as a set of projected 2D pixel images or in the form of binary voxels. The main goal is to propose an alternative mapping of 3D data to the NN input. Three data representations are introduced: Treating vertex coordinates as a 1D array, projection to a 2D grid and a set of surface oblique lines crossing the sig- nificant parts of an object. All of the proposed data representations are tested for the gender classification task using NN and CNN on 3D facial models. We analyzed the impact of coordinate relativization and a new modified dataset crea- ted by extracting a nose area from original triangle meshes. Experimental results confirmed the quality of the oblique lines approach with achieved classification accuracies of 84, 2% using CNN. 1

Témou tejto práce je aplikácia hlbokého učenia na rozpoznávanie trojrozmerných objektov. Hlboké učenie už bolo úspešne použité na rozpozná- vanie 3D dát, avšak väčšina existujúcich prác volila reprezentáciu 3D objektov pomocou sekvencie 2D obrázkov alebo diskretizáciou do binárnych voxelov. Hlav- ným cieľom je navrhnúť alternatívne mapovanie 3D dát na vstupy NN. Predsta- víme tri reprezentácie: Prosté uloženie súradníc vrcholov do poľa, projekcia do 2D mriežky a množina povrchových lomených kriviek vedúcich jeho významnými čas- ťami. Všetky popísané reprezentácie sú testované na úlohe klasifikácie pohlavia pomocou NN a CNN na 3D faciálnych modeloch. Analyzovali sme vplyv relativi- zácie súradníc a vytvorenia modifikovanej datovej množiny extrakciou oblasti nosa z pôvodných trojuholníkových sietí. Experimentálne výsledky preukázali kvalitu prístupu s lomenými krivkami pomocou CNN úspešnosťou 84, 2%. 1