Notice bibliographique
Résumé
This thesis focuses on the development of a machine learning-based 3D computer vision system that can represent complex 3D shapes and scenes with a group of simple geometric primitives. The proposed system is a multi-stage process that utilizes a learning-based Hierarchical Gaussian Mixture Model (HGMM) as the shape representation, which is then taken as the input into the primitive detection module. The proposed computer vision system requires no supervision while training and is able to provide accurate and robust approximations of 3D shapes via a set of simple geometric primitives, such as cuboids, planes, or spheres. This significantly reduces the memory footprint while keeping a meaningful and discriminative representation of the original model. The primitive detection system pipeline involves two sequential stages. The first stage involves the training and post-processing of the HGMM data representation. Firstly, it is shown that the Expectation Maximization (EM) algorithm requires a scenario-specific initialization method to succeed. To solve this problem, a learning-based neural network is used to generate meaningful and discriminative HGMMs without the need for an initial condition. An adaptive modelling module utilizing the Non-maximum Suppression (NMS) algorithm is developed as a post-processing technique to detect and eliminate overlapping mixture components and hence reduce the number of required parameters for a more lightweight representation. For the second stage, a statistical primitive fitting module is applied to fit geometric primitives to the input point cloud based on the estimated HGMM. Then, a primitive alignment and merging algorithm is designed to locate and combine primitive segments that originally belong to a larger primitive model. This allows for a cleaner and more discriminative detection result. Finally, experiments are conducted to evaluate the performance of deep learning-based HGMM and the primitive detection results with the EM-based HGMMs as the baseline. The proposed system is able to provide a visual abstraction of the original 3D shapes with parameterized and simplified geometry format, which can later be applied in real-world applications such as 3D rendering, robot simulation, and game development.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».