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

• Ano de defesa: 2024
• Autor(a) principal: DANIEL LUCA ALVES DA SILVA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [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
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67175&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67175&idi=2; http://doi.org/10.17771/PUCRio.acad.67175

[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.