Artificial neural networks and their application for 3D-data processing

Abstract

Neuronové sítě představují efektivní prostředek pro zpracování multimediálních dat. Tato práce se zaměřuje na dvě možná použití umělých neuronových sítí na 3D povrchové modely - detekce významných rysů v datech a klasifikace modelů. Čtenáři je představen přehled existujících samo-organizačních neuronových sítí a následně i přehled dopředných a konvolučních neuronových sítí (CNN). Práce popisuje novou modifikaci existujícího modelu - N-dimenzionální konvoluční neuronové sítě (ND-CNN). Navržený model ND-CNN se podařilo rozšířit i o známé principy pro vynucování vhodné reprezentace znalostí. Vyvinuté teoretické postupy jsou vyhodnoceny na podpůrných experimentech s naskenovanými 3D modely tváří. První experiment se snaží detekovat významné obličejové rysy, zatímco druhý experiment klasifikuje modely tváří podle pohlaví za použití CNN a ND-CNN.

Neural networks represent a powerful means capable of processing various multi-media data. Two applications of artificial neural networks to 3D surface models are examined in this thesis - detection of significant features in 3D data and model classification. The theoretical review of existing self-organizing neural networks is presented and followed by description of feed-forward neural networks and convolutional neural networks (CNN). A novel modification of existing model - N-dimensional convolutional neural networks (ND- CNN) - is introduced. The proposed ND-CNN model is enhanced by an existing technique for enforced knowledge representation. The developed theoretical methods are assessed on supporting experiments with scanned 3D face models. The first experiment focuses on automatic detection of significant facial features while the second experiment performs classification of the models by their gender using the CNN and ND-CNN.