Clasificación de modelos tridimensionales no rígidos mediante redes neuronales convolucionales y descriptores espectrales

Abstract

En años recientes, la comunidad científica ha mostrado un interés creciente hacia el análisis de modelos tridimensionales. Los avances en tecnología y la aparición de hardware específico para la captura y digitalización de información tridimensional ha hecho esto posible. En esta tesis, se propone un algoritmo para resolver el problema de clasificación en modelos tridimensionales no rígidos. En otras palabras, el objetivo es determinar la clase a la cual pertenece un objeto de entrada. Para ello, se desarrolló un algoritmo basado en la detección de puntos de interés, el uso de descriptores espectrales y técnicas de deep learning. La principal contribución de este trabajo es una técnica que permitirá ayudar en tareas de clasificación, y que muestra robustez ante ciertos escenarios, puesto que tiene en consideración las diferentes transformaciones y/o deformaciones a las que se ven sujetos los modelos. Los resultados son evaluados y analizados usando la base de datos de SHREC 2011 (Non-Rigid Classification Benchmark), la cual contiene diferentes clases de modelos. Más aún, la propuesta es comparada con algunos métodos recientes del estado del arte, mostrando resultados promisorios. Considerando dos particiones diferentes de la colección de modelos, se obtiene una precisión del 91 % y del 95 % para cada caso, valores que superan a otros enfoques. Asimismo, nuestros resultados muestran robustez ante transformaciones como isometrías, ruido Gaussiano, agujeros, micro agujeros, escalamiento, sampling y shotnoise.