Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Content based retrieval of 3D models using generative 3D models

 
: Grabner, Harald
: Ullrich, Torsten

Graz, 2014, 65 pp.
Graz, TU, Master Thesis, 2014
English
Master Thesis
Fraunhofer IGD ()
3D object retrieval; shape matching; shape semantic; Digital Library; Business Field: Digital society; Research Area: Computer graphics (CG); Research Area: Computer vision (CV)

Abstract
Improvements in techniques for digitizing, modeling and visualizing 3D shapes have led to an enormous amount of 3D models available on the internet. To explore such large databases, efficient retrieval methods are needed in order to obtain relevant results with respect to a given search query.
In this thesis a novel approach to retrieve 3D models, based on generative modeling techniques, is presented. The generative models span a shape space, of which a number of training samples is taken at random. The randomly generated training samples are used to train retrieval methods. In this way, no \real" training data is needed a priori and no additional meta data must be provided for the 3D models to be retrieved.
To train the retrieval methods, feature vectors are calculated for the randomly generated training samples. For this purpose, the training samples are voxelized, aligned and transformed using inverse distance transformation. The transformed training samples are split into a grid of regular cells. For each cell the histogram of inverted distances is calculated, which serves as the cells feature vector.
Two 3D model retrieval methods are presented. The first method learns a non-parametric density function for each cell, the second method uses a one-class support vector machine to estimate the distribution of training samples in the feature space. Furthermore, two approaches to improve retrieval effectiveness are presented. The first approach aims to improve retrieval results by calculating the joint probability on a Markov random field. The second approach uses diffusion processes to take the underlying structure of the data manifold into account. The effectiveness of the methods is demonstrated by testing the methods against Princeton shape benchmark using standard quality measures.
It is shown that it is possible to train retrieval methods using solely generative models. Furthermore it is shown, that the histogram of inverted distances can be used as a feature vector for spatial data.

 

Methoden zur Digitalisierung, Modellierung und Visualisierung von 3D Objekten wurden in den letzten Jahren laufend verbessert. Die Verwendung dieser Methoden hat zu einer immensen Anzahl von 3D Modellen im Internet geführt. Um Datenbestände dieser Größenordnung zu durchsuchen werden Methoden benötigt, die auf Basis einer Suchanfrage relevante Resultate zurückliefern. Diese Methoden werden Retrieval-Methoden genannt.
In dieser Arbeit wird eine neuartige Retrieval-Methode für 3D Modelle präsentiert. Die Methode basiert auf Techniken der generativen Modellierung. Generative Modelle werden in dieser Arbeit benutzt um einen Raum von 3D Modellen aufzuspannen. Aus diesem Raum werden zufällig 3D Modelle ausgewählt, welche später zum Trainieren der Retrieval-Methoden benutzt werden. Auf diese Weise werden keine "echten" Trainingsdaten im Vorhinein benötigt und die zu suchenden Modelle müssen nicht mit Metadaten versorgt werden.
Um die Retrieval-Methoden zu trainieren werden Merkmalsvektoren für die zufällig ausgewählten 3D Modelle berechnet. Dazu werden die Modelle in das Voxel-Format konvertiert und anschließend ausgerichtet. Auf den ausgerichteten Modellen wird die inverse Distanztransformation berechnet. Die transformierten Modelle werden danach in ein regelmäßiges Gitter, bestehend aus Zellen, aufgeteilt. Für jede Zelle wird das Histogramm der inversen Distanzen berechnet. Dieses Histogramm stellt den Merkmalsvektor für die jeweilige Zelle dar. In dieser Arbeit werden zwei Retrieval-Methoden präsentiert. In der ersten Methode wird pro Zelle eine parameterfreie Dichtefunktion gelernt und in der zweiten Methode wird eine Support Vector Machine benutzt um die Verteilung der Trainingsmodelle im Featureraum zu schätzen. Des Weiteren werden zwei Ansätze um die Retrieval- Ergebnisse zu verbessern vorgestellt. Im ersten Ansatz werden Markov-Netzwerke benutzt und im zweiten Ansatz werden Diffusionsprozesse benutzt. Die Effektivität der Methoden wird durch den Vergleich mit dem "Princeton Shape Benchmark" gezeigt. Dazu werden klassische Qualitätsmetriken verwendet.
In dieser Arbeit wird gezeigt, dass es möglich ist Retrieval-Methoden ausschließlich mit generativen Modellen zu trainieren. Des Weiteren wird gezeigt, dass das Histogramm der inversen Distanzen als Merkmalsvektor für 3D Modele verwendet werden kann.

: http://publica.fraunhofer.de/documents/N-477655.html