تخمین حالت و همتراز سازی مدل های سه بعدی با کمینه سازی تابع خطا در تصاویر سایه نما
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.019 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".