A Comparative Study of Object Classification Methods Using 3D Zernike Moment on 3D Point Clouds
Notice bibliographique
Résumé
The point clouds provide responsive geometric representation on many applications. The classification of objects through point clouds is one of the popular subjects of recent years. In this study, we introduce the potential of the 3D Zernike Moment approach for the object classification on the 3D point cloud. Zernike Moment (ZM) has utilized as a feature extractor of point clouds. This paper presents a comparative study of the state-of-the-art classification methods with respect to machine learning algorithms and PointNet which have been developed for classification by Stanford University. Object classification has been applied to a dataset with labeled 3D Zernike Moment features inferences obtained from the 3D point cloud. The performance of the developed method is verified by comparing the experimental results on the Washington RGB-D Object Dataset which consists of forty-five different household objects as point cloud data. Fine Gaussian SVM gives the best results in accuracy (96.0%) according to the results obtained with built-in cross-validation results. The results of the proposed classification of 3D Point Clouds on the 3D Zernike Moment features have significantly higher accuracy. The classification of 3D Zernike Moments on point cloud compared to directly point cloud classification is efficient and effective and lower complexity computation is obtained. It is emphasized that the 3D Zernike Moment features can be optimized for classification. In general, the comparative validation results have been reached a high accuracy in the proposed method. In the future, 3D Zernike Moment feature extractions are emphasized for the usability of classification operations on 3D data.
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) | 0,000 | 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) | 0,003 | 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 ».