[pt] Projetos de engenharia dependem de modelos CAD 3D complexos durante todo o seu ciclo de vida. Esses modelos 3D contêm milhões de geometrias que impõem desafios de armazenamento, transmissão e renderização.
Trabalhos anteriores empregaram com sucesso técnicas de correspondência de
formas baseadas em aprendizado profundo para reduzir a memória exigida por
esses modelos 3D. Este trabalho propõe um algoritmo baseado em grafos que
melhora o agrupamento não supervisionado em espaços profundos de características. Essa abordagem refina drasticamente a precisão da correspondência
de formas e resulta em requisitos de memória ainda mais baixos para os modelos 3D. Em um conjunto de dados rotulado, nosso método atinge uma redução
de 95 por cento do modelo, superando as técnicas não supervisionadas anteriores que
alcançaram 87 por cento e quase atingindo a redução de 97 por cento de uma abordagem totalmente supervisionada. Em um conjunto de dados não rotulado, nosso método
atinge uma redução média do modelo de 87 por cento contra uma redução média de
77 por cento das técnicas não supervisionadas anteriores. / [en] Engineering projects rely on complex 3D CAD models throughout their
life cycle. These 3D models comprise millions of geometries that impose storage, transmission, and rendering challenges. Previous works have successfully
employed shape-matching techniques based on deep learning to reduce the
memory required by these 3D models. This work proposes a graph-based algorithm that improves unsupervised clustering in deep feature space. This approach dramatically refines shape-matching accuracy and results in even lower
memory requirements for the 3D models. In a labeled dataset, our method
achieves a 95 percent model reduction, outperforming previous unsupervised techniques that achieved 87 percent and almost reaching the 97 percent reduction from a fully
supervised approach. In an unlabeled dataset, our method achieves an average model reduction of 87 percent versus an average reduction of 77 percent from previous
unsupervised techniques.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:67175 |
| Date | 02 July 2024 |
| Creators | DANIEL LUCA ALVES DA SILVA |
| Contributors | WALDEMAR CELES FILHO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds