文献

J-GLOBAL ID：202002240420275476   整理番号：20A2365362

3D形状特徴の教師なし学習のための3D形状表現を横切るトランスコーディング【JST・京大機械翻訳】

Transcoding across 3D shape representations for unsupervised learning of 3D shape feature

著者 (2件)： Furuya Takahiko (University of Yamanashi, 4-3-11 Takeda, Kofu-shi, Yamanashi-ken 400-8511, Japan) ,  Ohbuchi Ryutarou (University of Yamanashi, 4-3-11 Takeda, Kofu-shi, Yamanashi-ken 400-8511, Japan)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 138  ページ： 146-154  発行年： 2020年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 3D形状特徴の教師なし学習は,注釈を持たない3D形状モデルの大きな収集を組織化するための挑戦的だが重要な問題である。最近提案されたニューラルネットワークベース手法は,ボクセル,3D点集合,またはマルチビュー2D画像のような単一3D形状表現を自動符号化することにより,意味のある3D形状特徴の学習を試みる。しかしながら,単一形状表現を用いることは,有効な3D形状特徴抽出器を訓練するのに十分ではなく,既存の形状表現のどれもそれ自身によって3D形状の幾何学を完全に記述できない。本論文では,表現3D形状特徴を得るための教師なし方法として,多重3D形状表現を横断するトランスコーディングの使用を提案した。形状自動トランスコーダ(SAT)と呼ばれるニューラルネットワークは,複数の不均一3D形状表現の交差予測を介して3D形状特徴を抽出することを学習する。SATのアーキテクチャと訓練目的を,効果的な特徴埋込みを得るために注意深く設計した。3Dモデル検索と3Dモデル分類シナリオを用いた実験的評価は,提案した3D形状特徴のコンパクト性と同様に高精度を示した。SATのコードはhttps://github.com/takahikof/ShapeAutoTranscoderで利用可能である。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 幾何学 ,  *学習 ,  ニューラルネットワーク ,  *教師なし学習 ,  特徴抽出 ,  多重化 ,  二次元 ,  コンパクト性 ,  *三次元 ,  計算機アーキテクチャ ,  ボクセル ,  *変換符号化 ,  三次元モデル
準シソーラス用語： *形状表現 ,  *三次元形状 , 【Automatic Indexing@JST】

著者キーワード (4件)： 教師なし特徴学習 ,  3D形状検索と分類 ,  深層学習 ,  オートエンコーダ

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 3D ,  形状特徴 ,  教師なし学習 ,  3D形状 ,  表現 ,  トランスコーディング