<title>Recognition of free-form shapes using spherical SOFMs</title>
Notice bibliographique
Résumé
Recognition of free-form objects is a difficult task in a variety of engineering applications such as reverse engineering and product inspection. Most recognition systems can handle polyhedral objects that are defined by a set of primitives such as vertices, edges, or planar faces. However, free-form shapes have curved surfaces and often lack identifiable markers such as corners or sharp discontinuities. This paper presents a novel approach to creating structured representations of free-form surfaces that can be used for object recognition. The proposed method maps the three-dimensional coordinate data acquired by a range sensor onto a spherical self-organizing feature map (SOFM). The adaptation algorithm of the SOFm develops a topological order to the measured coordinate data such that connected nodes on the spherical map represent neighboring points on the object surface. Features are then extracted at each node of the SOFM. The feature vector is computed using a simple function that relates the node's positional vector to each of its neighboring nodes, within a circular are of one unit radius, in the SOFM. The feature vectors are used to establish a correspondence between the spherical map generated by an unknown free-form shape and maps of all the reference models. Any two free-form shapes can be matched for recognition purposes by registering the spherical SOFMs and determining the minimum registration error. This approach enables the unknown object to be in an arbitrary orientation. An experimental study is presented in order to demonstrate the effectiveness of this approach. The spatial coordinate data of a human foot and a toy in the shape of a pelican are used for illustrative purposes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».