2016 Fiscal Year Research-status Report
| Project/Area Number |
16K16055
|
|---|
| Research Institution | University of Yamanashi |
|---|
Principal Investigator |
古屋 貴彦 山梨大学, 総合研究部, 助教 (00770835)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 深層学習 / 局所特徴量 / 3次元形状類似検索 |
|---|
| Outline of Annual Research Achievements |
研究初年度は，3次元モデルの局所的な幾何構造を記述する特徴量 (局所幾何特徴量)について研究を推し進めた．一方で，研究初年度の本来の計画である部分ラベル付与の評価用データベースの作成については，詳細な部分形状を持つ3次元モデルの収集が遅れており，データベースの完成には至っていない．
高精度な局所幾何特徴量は，3次元モデルの部分に対して正確にラベルを付与するために必須である．研究代表者らは，3次元形状解析に関するこれまでの知見と最新の深層学習技術を組み合わせたDLAN特徴量を開発した．DLAN特徴量は3次元モデルの幾何変形や姿勢変化に対する頑強性を有し，精度も高い．本手法は，3次元モデルから切り出された多数の部分形状の各々を3次元畳み込みニューラルネットワークを用いて特徴記述し，次いで，全結合型ニューラルネットワークを用いて部分形状の特徴群を3次元モデル当たり1つの特徴量に統合し，さらに圧縮する．2017年初頭に開催された3次元モデルの形状類似検索の国際コンテストSHREC 2017において，DLAN特徴量をベースにした検索手法は，参加した2部門 (“Large-scale 3D Shape Retrieval from ShapeNet Core55 (perturbed dataset)”と“Deformable Shape Retrieval with Missing Parts”)の双方において，検索精度第1位を獲得した．
また，「自動車と車輪」「猫と尻尾」といった，全体形状と部分形状を効果的に関連付ける技術についても研究を進めており，現在論文投稿中である．この研究では，形状の包含関係を学習する深層ニューラルネットワークを構築し，さらにこのニューラルネットワークを学習するためのデータを低コストに多数生成する手法を提案した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度は，本来の計画である評価用データベースの作成は未達成であるものの，3次元モデルの局所的な幾何構造を効果的に記述する技術が大いに進展した．初年度に開発したDLAN特徴量は，国際コンテストにおける成績を見ても効果が示されており，高精度な部分ラベル付与への応用が期待できる．また，全体形状と部分形状とを効果的に関連付ける手法についても，3次元モデルの部分に対するラベル付与に適用できる可能性がある．
|
| Strategy for Future Research Activity |
次年度は評価用データベースの作成と，部分ラベル付与アルゴリズムの開発に注力する．近年，3次元形状モデルの大規模コーパスが複数登場している．これら大規模コーパスには詳細な部分まで定義された3次元モデルが多数含まれており，これら3次元モデルを利用した評価用データベースの構築を試みる．また，初年度に開発した要素技術に基づく部分ラベル付与アルゴリズムの開発を行う．
|
Research Products
(6 results)
