تخمین حالت و همتراز سازی مدل های سه بعدی با کمینه سازی تابع خطا در تصاویر سایه نما
Notice bibliographique
Résumé
امروزه با توجه به رشد روز افزون مدلهای سه بعدی در رسانه های دیجیتال و به خصوص اینترنت، نیاز به یک سیستم یک پارچه جستجوی مدل های سه بعدی به شدت احساس می شود. از آنجائیکه بسیاری از توصیف گرهای مورد استفاده در این زمینه نسبت به تغییرات و تبدیلات تشابه، بدون تغییر نیستند، هم تراز کردن مدل های سه بعدی یکی از مهمترین گام های رسیدن به یک سیستم بازیابی و یا تشخیص مدل های سه بعدی با دقت بالا می باشد. بنابراین، در این مقاله، روشی برای تخمین حالت های مختلف یک مدل سه بعدی مثلثی در فضای سه بعدی با استفاده از الگوریتم بهینه سازی Nelder-Mead، ارائه می شود. روش ارائه شده در این مقاله به این صورت می باشد که پس از انجام استانداردسازی مدل های مورد بررسی به لحاظ موقعیت و تغییرات مقیاس، به منظور هم ترازسازی مدل های سه بعدی از نقطه نظر چرخش، در هر کلاس از مدل های موجود در پایگاه داده مورد بررسی، یکی از مدل های سه بعدی به عنوان الگو در نظر گرفته شده و بقیه مدل ها طوری در فضای سه بعدی دوران داده می شوند که به بهترین حالت ممکن برای انطباق با مدل الگو دست یابند. تابع هزینه ای که در الگوریتم مذکور بهینه می شود برابر میزان اختلاف مساحت سایه نماهای حاصله از مدل سه بعدی مورد نظر در زاویه های دید متناظر است. جهت بررسی صحت روش ارائه شده، از مدل های سه بعدی موجود در پایگاه داده McGill، استفاده شده است. نتایج کمی به دست آمده از آزمایشهای مختلف، بیانگر موفقیت الگوریتم پیشنهادی در هم تراز سازی مدل های مورد بررسی می باشد. بطور مثال، برای مدل سه بعدی هواپیما با بکارگیری تصاویر سایه نما با ابعاد 256*256پیکسل، خطای کمینه (مجموع مساحت ناحیه غیر همپوشان سایه نماهای متناظر) در بهترین حالت به مقدار 36437 پیکسل می رسد که این خطا معادل 8/6% مجموع مساحت سایه نماهای دو مدل سه بعدی مورد بررسی (ثابت و متحرک) می باشد.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,019 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».