Resumen

El avance de los sensores tridimensionales (3D) RGB-D y LiDAR de bajo coste ha permitido facilitar la obtención del modelo 3D en tiempo real. Sin embargo, la obtención de características 3D intrincadas es crucial para el avance de las clasificaciones de objetos 3D. Los enfoques existentes de CNN basados en vóxeles volumétricos han logrado un progreso notable, pero generan una enorme sobrecarga computacional que limita la extracción de características globales a resoluciones más altas de los objetos 3D. En este artículo, se propone una red neuronal profunda volumétrica 3D de bajo coste para la clasificación de objetos 3D basada en estrategias de aprendizaje supervisado multiescalares y de subvolumen. Nuestra red neuronal profunda propuesta introduce datos 3D, que son preprocesados mediante la implementación de una representación octree de memoria eficiente, y proponemos limitar la profundidad octree de la capa completa a un cierto nivel basado en la resolución de volumen de entrada predefinida para almacenar características de contorno de alta precisión. Las características multiescala se concatenan a partir de profundidades de octree de varios niveles dentro de la red, con el objetivo de generar de forma adaptativa características globales de alto nivel. La estrategia del enfoque de supervisión de subvolúmenes consiste en entrenar la red en subpartes del objeto 3D para aprender características locales. Nuestro marco se ha evaluado con dos repositorios 3D de acceso público. Los resultados experimentales demuestran la eficacia de nuestro método propuesto, en el que la precisión de la clasificación mejora en comparación con los enfoques volumétricos existentes, y el ratio de consumo de memoria y el tiempo de ejecución se reducen significativamente.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:Clasificación de objetos 3d, características globales, objeto 3d, red neuronal convolucional, enfoque de supervisión de subvolúmenes, red neuronal profunda, características 3d intrincadas, características de contorno de precisión, profundidad de octree multinivel, depósito 3d disponible
• Keywords:3d object classification, global features, 3d object, convolutional neural network, subvolume supervision approach, deep neural network, intricate 3d features, precision contour features, multilevel octree depth, available 3d repository