Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis

Detalhes bibliográficos
Ano de defesa: 2007
Autor(a) principal: Mari, João Fernando
Orientador(a): Saito, José Hiroki lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de São Carlos
Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação - PPGCC
Departamento: Não Informado pela instituição
País: BR
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufscar.br/handle/ufscar/377
Resumo: This work consists of the implementation of a 3D surface reconstruction algorithm from point clouds, using Self-Organizing Neural Networks. Among the Neural Networks the SOM (Self-Organizing Map) is distinguished, since it is a self-organized model based on competitive learning. The proposed system is based on the GCC (Growing Cell Structures), a self-organizing neural network that is a SOM incremental variation with some alteration in the way that the positions of the direct neighbors of the winner node are updated, and also in the way that new nodes are inserted and inactive nodes are removed. The system has been improved by the inclusion of the edge-swap operation, improving the quality of the generated mesh and the convergence of the algorithm. The algorithm than has been called GCS-M (GCS-Modified). To evaluate the results obtained by the implementation of the proposed system had been used metrics to evaluate the quality of the mesh, based on the values of the minimum distances between the point cloud and the elements that compose the polygon mesh. With this comparison mechanism, it had been performed comparisons of the GCS-M algorithm results and the traditional methods results of surface reconstruction. The obtained results show that the proposed algorithm is very efficient, obtaining realistically reconstructed surfaces with low error measures.
id SCAR_f83fd5d04f1308618449c8119d2da3f7
oai_identifier_str oai:repositorio.ufscar.br:ufscar/377
network_acronym_str SCAR
network_name_str Repositório Institucional da UFSCAR
repository_id_str
spelling Mari, João FernandoSaito, José Hirokihttp://genos.cnpq.br:12010/dwlattes/owa/prc_imp_cv_int?f_cod=K4799717Z7http://lattes.cnpq.br/3582704696209050769fde80-edf3-4e2d-97af-ebcdc20c2fa52016-06-02T19:05:30Z2008-08-142016-06-02T19:05:30Z2007-06-06MARI, João Fernando. Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis. 2007. 126 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2007.https://repositorio.ufscar.br/handle/ufscar/377This work consists of the implementation of a 3D surface reconstruction algorithm from point clouds, using Self-Organizing Neural Networks. Among the Neural Networks the SOM (Self-Organizing Map) is distinguished, since it is a self-organized model based on competitive learning. The proposed system is based on the GCC (Growing Cell Structures), a self-organizing neural network that is a SOM incremental variation with some alteration in the way that the positions of the direct neighbors of the winner node are updated, and also in the way that new nodes are inserted and inactive nodes are removed. The system has been improved by the inclusion of the edge-swap operation, improving the quality of the generated mesh and the convergence of the algorithm. The algorithm than has been called GCS-M (GCS-Modified). To evaluate the results obtained by the implementation of the proposed system had been used metrics to evaluate the quality of the mesh, based on the values of the minimum distances between the point cloud and the elements that compose the polygon mesh. With this comparison mechanism, it had been performed comparisons of the GCS-M algorithm results and the traditional methods results of surface reconstruction. The obtained results show that the proposed algorithm is very efficient, obtaining realistically reconstructed surfaces with low error measures.O trabalho consiste na implementação de um algoritmo de reconstrução de superfícies 3D a partir de nuvens de pontos, usando Redes Neurais Auto-Organizáveis. Dentre as Redes Neurais Artificiais destaca-se o SOM (Self-Organizing Map) que é um modelo autoorganizável baseado na aprendizagem competitiva. O sistema proposto foi baseado no modelo de rede neural auto-organizável GCS (Growing Cell Structures), que é uma variação incremental do SOM, com alterações na forma de atualização das posições dos vizinhos diretos do nodo vencedor e também na forma como são inseridos novos nodos e removidos nodos inativos. O sistema foi aperfeiçoado pela inclusão da operação de troca de arestas, que melhorou a qualidade da malha gerada e a convergência do algoritmo. O algoritmo foi então denominado GCS-M (GCS-Modificado). Para avaliar os resultados obtidos por meio da implementação do sistema proposto foram utilizadas métricas para mensurar a qualidade da malha baseada no valor das medidas das distâncias mínimas entre a nuvem de pontos e os elementos que compõem a malha poligonal. Com esse mecanismo foram realizadas comparações dos resultados obtidos pelo GCS-M com os resultados obtidos pelos métodos tradicionais de reconstrução de superfícies. O algoritmo proposto se mostrou bastante eficiente, obtendo superfícies reconstruídas realisticamente, com medidas de erro baixas.application/pdfporUniversidade Federal de São CarlosPrograma de Pós-Graduação em Ciência da Computação - PPGCCUFSCarBRComputação gráficaAquisição 3DReconstrução (geometria e modelagem computacional)Redes neuraisCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOReconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis-1-151b9675e-5744-4345-98e1-2c5caead4a56info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARORIGINAL1905.pdfapplication/pdf4899215https://repositorio.ufscar.br/bitstream/ufscar/377/1/1905.pdf8bd08afce2d9a13e46eae59bfce938caMD51THUMBNAIL1905.pdf.jpg1905.pdf.jpgIM Thumbnailimage/jpeg6522https://repositorio.ufscar.br/bitstream/ufscar/377/2/1905.pdf.jpg34202f89ad13fa4270090c991238d4cdMD52ufscar/3772023-09-18 18:30:37.346oai:repositorio.ufscar.br:ufscar/377Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222023-09-18T18:30:37Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false
dc.title.por.fl_str_mv Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
title Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
spellingShingle Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
Mari, João Fernando
Computação gráfica
Aquisição 3D
Reconstrução (geometria e modelagem computacional)
Redes neurais
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
title_short Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
title_full Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
title_fullStr Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
title_full_unstemmed Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
title_sort Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis
author Mari, João Fernando
author_facet Mari, João Fernando
author_role author
dc.contributor.authorlattes.por.fl_str_mv http://lattes.cnpq.br/3582704696209050
dc.contributor.author.fl_str_mv Mari, João Fernando
dc.contributor.advisor1.fl_str_mv Saito, José Hiroki
dc.contributor.advisor1Lattes.fl_str_mv http://genos.cnpq.br:12010/dwlattes/owa/prc_imp_cv_int?f_cod=K4799717Z7
dc.contributor.authorID.fl_str_mv 769fde80-edf3-4e2d-97af-ebcdc20c2fa5
contributor_str_mv Saito, José Hiroki
dc.subject.por.fl_str_mv Computação gráfica
Aquisição 3D
Reconstrução (geometria e modelagem computacional)
Redes neurais
topic Computação gráfica
Aquisição 3D
Reconstrução (geometria e modelagem computacional)
Redes neurais
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
description This work consists of the implementation of a 3D surface reconstruction algorithm from point clouds, using Self-Organizing Neural Networks. Among the Neural Networks the SOM (Self-Organizing Map) is distinguished, since it is a self-organized model based on competitive learning. The proposed system is based on the GCC (Growing Cell Structures), a self-organizing neural network that is a SOM incremental variation with some alteration in the way that the positions of the direct neighbors of the winner node are updated, and also in the way that new nodes are inserted and inactive nodes are removed. The system has been improved by the inclusion of the edge-swap operation, improving the quality of the generated mesh and the convergence of the algorithm. The algorithm than has been called GCS-M (GCS-Modified). To evaluate the results obtained by the implementation of the proposed system had been used metrics to evaluate the quality of the mesh, based on the values of the minimum distances between the point cloud and the elements that compose the polygon mesh. With this comparison mechanism, it had been performed comparisons of the GCS-M algorithm results and the traditional methods results of surface reconstruction. The obtained results show that the proposed algorithm is very efficient, obtaining realistically reconstructed surfaces with low error measures.
publishDate 2007
dc.date.issued.fl_str_mv 2007-06-06
dc.date.available.fl_str_mv 2008-08-14
2016-06-02T19:05:30Z
dc.date.accessioned.fl_str_mv 2016-06-02T19:05:30Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MARI, João Fernando. Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis. 2007. 126 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2007.
dc.identifier.uri.fl_str_mv https://repositorio.ufscar.br/handle/ufscar/377
identifier_str_mv MARI, João Fernando. Reconstrução de superfícies 3D a partir de nuvens de pontos usando redes neurais auto-organizáveis. 2007. 126 f. Dissertação (Mestrado em Ciências Exatas e da Terra) - Universidade Federal de São Carlos, São Carlos, 2007.
url https://repositorio.ufscar.br/handle/ufscar/377
dc.language.iso.fl_str_mv por
language por
dc.relation.confidence.fl_str_mv -1
-1
dc.relation.authority.fl_str_mv 51b9675e-5744-4345-98e1-2c5caead4a56
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de São Carlos
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Ciência da Computação - PPGCC
dc.publisher.initials.fl_str_mv UFSCar
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade Federal de São Carlos
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSCAR
instname:Universidade Federal de São Carlos (UFSCAR)
instacron:UFSCAR
instname_str Universidade Federal de São Carlos (UFSCAR)
instacron_str UFSCAR
institution UFSCAR
reponame_str Repositório Institucional da UFSCAR
collection Repositório Institucional da UFSCAR
bitstream.url.fl_str_mv https://repositorio.ufscar.br/bitstream/ufscar/377/1/1905.pdf
https://repositorio.ufscar.br/bitstream/ufscar/377/2/1905.pdf.jpg
bitstream.checksum.fl_str_mv 8bd08afce2d9a13e46eae59bfce938ca
34202f89ad13fa4270090c991238d4cd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)
repository.mail.fl_str_mv
_version_ 1802136457986441216