Đề xuất tập đặc trưng trong phân lớp mô hình 3D

Việc phân lớp mô hình 3D để lưu trữ trong CSDL giúp tăng tốc độ truy vấn các mô hình khi thiết kế các cảnh ảo trong các sản phẩm điện ảnh và game. Do đó, phân lớp các mô hình 3D là một nhiệm vụ cần thiết. Các nghiên cứu trước đây đã đề xuất tập đặc trưng với số lượng đặc trưng nhiều từ 250 đến 800 và thường cần các tính toán phức tạp để rút trích đặc trưng. Vì vậy, thời gian phân lớp cho mẫu mới sẽ dài do phải tính toán với nhiều đặc trưng. Trong bài báo này, chúng tôi đề xuất tập đặc trưng ngắn gọn và lựa chọn mô hình Support Vector Machine để phân lớp. Các đặc trưng nằm trong tập đặc trưng thu được do áp dụng kỹ thuật phân tích thành phần chính trên mô hình 3D. Tập đặc trưng gồm 3 giá trị riêng của ba trục cơ bản của mô hình 3D. Do Support Vector Machine có thể được huấn luyện cho đến khi đạt cực tiểu lỗi nên Support Vector Machine phân lớp hiệu quả nếu chọn tập huấn luyện tốt. Hơn nữa, vấn đề overfitting được giảm khi chọn tập huấn luyện vừa đủ và có tính tổng quát hóa cao. Vì vậy, chúng tôi lựa chọn Support Vector Machine để phân lớp dựa trên các đặc trưng đề xuất. Các thực nghiệm được làm với tập dữ liệu chuẩn Pinceton Shape Brenchmark về phân lớp các hình dạng 3D. Chúng tôi tiến hành thực nghiệm phân lớp trên 6 lớp về các phương tiện giao thông. Kết quả thực nghiệm cho thấy việc dùng Support Vector Machine kết hợp với tập đặc trưng đề xuất cho kết quả phân lớp tốt hơn các kỹ thuật được so sánh

pdf8 trang | Chia sẻ: Thục Anh | Ngày: 11/05/2022 | Lượt xem: 423 | Lượt tải: 0download
Nội dung tài liệu Đề xuất tập đặc trưng trong phân lớp mô hình 3D, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
hể khắc phục được hạn chế này. Qua các phân tích trên, chúng tôi lựa chọn SVM làm bộ phân lớp. Các thực nghiệm được làm để chứng minh tính hiệu quả của tập đặc trưng đề xuất và sự lựa chọn đúng bộ phân lớp. V. KẾT QUẢ THỰC NGHIỆM 5.1. Mô tả tập dữ liệu Các mô hình dùng trong thực nghiệm được lấy từ cơ sở dữ liệu chuẩn Princeton Shape Benchmark [10]. Cơ sở dữ liệu này được dùng cho việc đánh giá kết quả nghiên cứu trong việc đối sánh, phân lớp, phân cụm và nhận dạng các mô hình 3D. Các thực nghiệm được làm trên các mô hình về các phương tiện giao thông gồm 6 lớp: máy bay, khinh khí cầu, thuyền buồm, tàu thủy, ô tô, tàu hỏa. Trong mỗi lớp lại có thể chia thành các lớp con. Ví dụ: trong lớp máy bay chia thành máy bay trực thăng, máy bay chở khách, máy bay chiến đấu, máy bay thể thao. Chúng tôi lựa chọn các mẫu trong các lớp bằng các mẫu điển hình của mỗi lớp con. Đối với các lớp có số lượng ít như khinh khí cầu, tàu hỏa thì mọi mẫu đều được dùng cho thử nghiệm. Tập dữ liệu dùng trong thử nghiệm có 100 mô hình gồm 23 máy bay, 21 tàu thủy, 15 thuyền buồm, 11 khinh khí cầu, 8 tàu điện và 24 ô tô. Nhãn lớp đúng của các mẫu được gán dựa vào hình ảnh của mỗi mẫu. Nhãn tương ứng với các lớp: 1 (máy bay), 2 (kinh khí cầu), 3 (tàu thủy), 4 (thuyền buồm), 5 (tàu điện), 6 (ô tô). Hình 2 biểu diễn hình ảnh về các mô hình dùng trong thử nghiệm. 134 ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MÔ HÌNH 3D Hình 2. Các mô hình dùng trong thử nghiệm. 5.2. Kết quả thực nghiệm Tập dữ liệu trên được chia ngẫu nhiên thành ba tập con gồm tập huấn luyện, tập kiểm tra và tập thẩm định. Chúng tôi chọn tỷ lệ chia các mẫu thường được dùng là (0,7, 0,15, 0,15). Chúng tôi dùng tập huấn luyện (có 70 mẫu) và dùng 2 tập còn lại (có 30 mẫu) để kiểm tra. Các kỹ thuật phân lớp được code để so sánh bao gồm thuật toán K-means và bộ phân lớp Naïve Bayes. Kết quả phân lớp của K-means được gióng nhãn sao cho kết quả phân lớp cao nhất. Bộ phân lớp Naïve Bayes cũng dùng tập huấn luyện giống mô hình SVM. Chúng tôi đã làm 5 lần thử nghiệm. Với mỗi lần, chia lại dữ liệu theo cách ngẫu nhiên và cho các kỹ thuật cùng dự đoán nhãn lớp. Kết quả thử nghiệm được thể hiện trong các bảng từ Bảng 1 đến Bảng 5. Mỗi bảng thể hiện tổng số mẫu trong mỗi lớp, số mẫu được phân lớp đúng của mỗi kỹ thuật để tiện cho việc so sánh. Bảng 6 tổng hợp tỷ lệ % dự đoán đúng của 5 lần thử nghiệm. Bảng 1. Kết quả của lần thử nghiệm thứ nhất Nhãn lớp Số mẫu Số mẫu dự đoán đúng Bayes Kmeans SVM 1 9 7 6 8 2 4 2 1 4 3 5 5 1 5 4 4 1 4 4 5 1 0 1 1 6 7 5 4 6 Tổng 30 20 17 28 Tỷ lệ % 66,667 56,667 93,333 Nguyễn Văn Tảo, Nông Thị Hoa 135 Bảng 2. Kết quả của lần thử nghiệm thứ hai Nhãn lớp Số mẫu Số mẫu dự đoán đúng Bayes Kmeans SVM 1 5 4 2 4 2 3 3 2 3 3 5 4 5 5 4 7 2 4 4 5 3 2 0 3 6 7 7 6 7 Tổng 30 22 19 26 Tỷ lệ % 73,333 63,333 86,667 Bảng 3. Kết quả của lần thử nghiệm thứ ba Nhãn lớp Số mẫu Số mẫu dự đoán đúng Bayes Kmeans SVM 1 12 10 7 11 2 2 2 1 2 3 5 5 4 5 4 3 2 0 3 5 2 2 2 2 6 6 5 5 5 Tổng 30 26 19 28 Tỷ lệ % 86,667 63,333 93,333 Bảng 4. Kết quả của lần thử nghiệm thứ tư Nhãn lớp Số mẫu Số mẫu dự đoán đúng Bayes Kmeans SVM 1 4 3 3 4 2 1 1 0 1 3 5 5 5 5 4 8 4 4 6 5 3 1 2 2 6 9 9 8 9 Tổng 30 23 22 27 Tỷ lệ % 76,667 73,333 90,000 Bảng 5. Kết quả của lần thử nghiệm thứ năm Nhãn lớp Số mẫu Số mẫu dự đoán đúng Bayes Kmeans SVM 1 7 7 4 6 2 4 2 1 2 3 5 4 5 5 4 5 2 0 5 5 2 0 2 0 6 7 7 7 7 Tổng 30 22 19 25 Tỷ lệ % 73,333 63,333 83,333 Dữ liệu từ Bảng 1 và Bảng 5 cho thấy SVM cho kết quả phân lớp tốt nhất. Tiếp theo là bộ phân lớp Naïve Bayes. Cuối cùng là thuật toán Kmeans. Hơn nữa, các lớp đều được nhân dạng trong cả 5 thử nghiệm, ngoại trừ lớp thứ 5 trong thử nghiệm lần 5. Điều này cho thấy việc lựa chọn SVM để phân lớp dựa trên tập thuộc tính đề xuất là đúng. Bảng 6. Tổng hợp kết quả của các lần thử nghiệm Lần thử nghiệm Tỷ lệ % dự đoán đúng Bayes Kmeans SVM 1 66,667 56,667 93,333 2 73,333 63,333 86,667 3 86,667 63,333 93,333 4 76,667 73,333 90,000 5 73,333 63,333 83,333 Trung bình 75,333 63,9998 89,333 136 ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MÔ HÌNH 3D Số liệu ở dòng cuối của Bảng 6 cho thấy kết quả phân lớp của SVM cao hơn hai kỹ thuật được so sánh 14 % và 26,666 %. Độ chính xác của SVM đạt 89.333 %. Kết quả của 5 thực nghiệm cho thấy cách tiếp cận của chúng tôi phân lớp hiệu quả các tập dữ liệu mà có sự khác biệt rõ ràng về hình dạng giữa các lớp đối tượng. VI. KẾT LUẬN Trong bài báo này, chúng tôi đề xuất tập đặc trưng ngắn gọn và lựa chọn mô hình SVM để phân lớp. Các đặc trưng gồm 3 giá trị riêng của ba trục cơ bản của mô hình 3D. Mô hình SVM được chọn nhờ ưu điểm về quá trình huấn luyện và có thể giảm được nhược điểm về overfitting. Các thực nghiệm được làm với tập dữ liệu chuẩn Pinceton Shape Brenchmark về phân lớp các hình dạng 3D. Chúng tôi tiến hành thực nghiệm phân lớp trên 100 phương tiện giao thông bao gồm 6 lớp: máy bay, tàu thủy, thuyền buồm, ô tô, tàu hỏa, khinh khí cầu. Kết quả thực nghiệm cho thấy việc dùng SVM kết hợp với tập đặc trưng đề xuất cho kết quả phân lớp tốt hơn các kỹ thuật được so sánh. Trong thời gian tới, chúng tôi sẽ nghiên cứu bổ sung thêm một số đặc trưng để cải thiện độ chính xác của phân lớp và mở rộng thực nghiệm trên các tập dữ liệu lớn hơn. TÀI LIỆU THAM KHẢO [1] Z. Shu, S. Xin, H. Xu, L. Kavan, P. Wang, L. Liu. “3D model classification via Principal Thickness Images”, Computer-Aided Design, vol. 78, pp. 199-208, 2016. [2] L. Biao, D. Changchun, G. Shuang Guo, Z. Xiangyang Zhang, X. Zhang. “A powerful 3D model classification mechanism based on fusing multi-graph”, Neurocomputing, vol. 168, pp. 761-769, 2015. [3] J. Y. Gwak. 3D model classification using convolutional neural network, Report of Stanford University, 2015. [4] Q. Fei-wei, L. Lu-ye, G. Shu-ming, Y. Xiao-ling, C. Xiang. “A deep learning approach to the classification of 3D CAD models”, Journal of Zhejiang University SCIENCE C", vol. 15, no 2, pp. 91-106, 2014. [5] S. P. Foliguet, M. Jordan, L. Najman, J. Cousty. “Artwork 3D model database indexing and classification”, Pattern Recognition, vol. 44, pp. 588-597, 2011. [6] A. Kassimi, O. E. Beqqali. “3D Model Classification And Retrieval Based on Semantic And Ontology”, International Journal of Computer Science, Vol. 8, Issue 5, No 2, 2011. [7] L. Zongmin, W. Daqian, L. Boyang, Z. Liangliang, “3D model classification using salient features for content representation”, Sixth International Conference on Natural Computation, vol. 7, pp. 3541-3545, 2010. [8] H. Yuesheng, Y. Y. Tang. “Classification of 3D models for the 3D animation environments”, IEEE International Conference on Systems, Man and Cybernetics, pp. 3786-3791, 2009. [9] Corinna Cortes, Vladimir Vapnik: Support-vector networks, Machine Learning 20(3), 273-297, (1995). [10] P. Shilane, P. Min, M. Kazhdan, T. Funkhouser. “The Princeton Shape Benchmark”, Shape Modeling International, 2004. Available at: PROPOSE AN FEATURE SET FOR CLASSIFYING 3D MODELS Nguyen Van Tao, Nong Thi Hoa ABSTRACT: Classifying 3D models for storing in databases helps to speed queries when designing virtual scences in movies and games. Therefore, classifying 3D models is a essential task. Previous studies proposed features sets which have from 250 to 800 features, and can use complex computing for extracting. As a result, the time for classifying is more long to process features. In this paper, we propose a small set of features and select SVM to classify 3D model. These features obtains from the Principal component analysis of 3D models. Eigenvalues of principal axis of 3D models are proposed features. We select SVM as a classifier based on the advantages and characterics of SVM. Experiments are conducted with the brenchmark dataset, Pinceton Shape Brenchmark. We classify 6 classes of travel means. Experimental results show that our approach is better than comparing methods. Keywords: Classifying model 3D, extract features, 3D models, Support Vector Machine, computer vision.

Các file đính kèm theo tài liệu này:

  • pdfde_xuat_tap_dac_trung_trong_phan_lop_mo_hinh_3d.pdf