[pt] CLUSTERIZAÇÃO BASEADA EM GRAFO EM ESPAÇO DE CARACTERÍSTICAS PROFUNDO PARA CORRESPONDÊNCIA DE FORMAS

[en] GRAPH-BASED CLUSTERING IN DEEP FEATURE SPACE FOR SHAPE MATCHING

[pt] DANIEL LUCA ALVES DA SILVA

[pt] CLUSTERIZACAO

[pt] CORRESPONDENCIA DE FORMAS

[pt] APRENDIZADO PROFUNDO

[pt] MODELO CAD 3D

[pt] NUVEM DE PONTOS

[en] CLUSTERING

[en] CORRESPONDENCE OF SHAPES

[en] DEEP LEARNING

[en] 3D CAD MODEL

[en] POINT CLOUD

[pt] Projetos de engenharia dependem de modelos CAD 3D complexos durante todo o seu ciclo de vida. Esses modelos 3D contêm milhões de geometrias que impõem desafios de armazenamento, transmissão e renderização. Trabalhos anteriores empregaram com sucesso técnicas de correspondência de formas baseadas em aprendizado profundo para reduzir a memória exigida por esses modelos 3D. Este trabalho propõe um algoritmo baseado em grafos que melhora o agrupamento não supervisionado em espaços profundos de características. Essa abordagem refina drasticamente a precisão da correspondência de formas e resulta em requisitos de memória ainda mais baixos para os modelos 3D. Em um conjunto de dados rotulado, nosso método atinge uma redução de 95 por cento do modelo, superando as técnicas não supervisionadas anteriores que alcançaram 87 por cento e quase atingindo a redução de 97 por cento de uma abordagem totalmente supervisionada. Em um conjunto de dados não rotulado, nosso método atinge uma redução média do modelo de 87 por cento contra uma redução média de 77 por cento das técnicas não supervisionadas anteriores.

[en] Engineering projects rely on complex 3D CAD models throughout their life cycle. These 3D models comprise millions of geometries that impose storage, transmission, and rendering challenges. Previous works have successfully employed shape-matching techniques based on deep learning to reduce the memory required by these 3D models. This work proposes a graph-based algorithm that improves unsupervised clustering in deep feature space. This approach dramatically refines shape-matching accuracy and results in even lower memory requirements for the 3D models. In a labeled dataset, our method achieves a 95 percent model reduction, outperforming previous unsupervised techniques that achieved 87 percent and almost reaching the 97 percent reduction from a fully supervised approach. In an unlabeled dataset, our method achieves an average model reduction of 87 percent versus an average reduction of 77 percent from previous unsupervised techniques.

WALDEMAR CELES FILHO

PAULO IVSON NETTO SANTOS

ALBERTO BARBOSA RAPOSO

PAULO IVSON NETTO SANTOS

WALDEMAR CELES FILHO

ANSELMO CARDOSO DE PAIVA

LUCAS CARACAS DE FIGUEIREDO

2024-07-02

2024-04-19

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67175@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67175@2

https://doi.org/10.17771/PUCRio.acad.67175