Resumen

Es sabido que los modelos de forma 3D se parametrizan de forma exhaustiva mediante nubes de puntos y mallas. La nube de puntos, en particular, es mucho más sencilla de manejar en comparación con las mallas, y también contiene la información de la forma de un modelo 3D. En este artículo, nos gustaría presentar nuestro nuevo método para generar la nube de puntos 3D a partir de un conjunto de medidas cruciales y formas de posiciones importantes. Para encontrar la correspondencia entre las formas y las mediciones, introducimos un método de representación de datos 3D denominado estructura de cortes. Se presenta un modelo de aprendizaje jerárquico basado en redes neuronales para que sea compatible con la representación de los datos. Las rebanadas primarias se generan haciendo coincidir el conjunto de mediciones antes de la nube de puntos completa sintonizada por la Red Neural Convolucional. Realizamos el experimento con un conjunto de datos humanos en 3D que contiene 1706 ejemplos. Nuestros resultados demuestran la eficacia del marco propuesto con un error medio de 7,72 y la visualización fina. Este estudio indica que vale la pena prestar más atención a las características locales cuando se trata de formas 3D.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:nube de puntos, nube de puntos completa, llamada estructura de cortes, conjunto de datos humanos en 3d, nube de puntos en 3d, red neuronal convolucional, modelo de forma en 3d, forma de importancia, modelo de aprendizaje jerárquico, forma en 3d
• Keywords:point cloud, whole point cloud, called slice structure, 3d human dataset, 3d point cloud, convolutional neural network, 3d shape model, shape of importance, hierarchical learning model, 3d shape