AncomWiki

3D 객체 검색을 위한 시맨틱 시그니처 학습

Properties1
description본 논문은 3D 객체 검색(3DOR)을 위해 두 가지 시맨틱 시그니처, 즉 속성 시그니처(AS)와 참조 집합 시그니처(RSS)를 제안합니다. 인간의 질적 설명(예: '대칭', '비행 가능')을 정량화하여 저수준 형상 특징보다 훨씬 컴팩트하면서도 유사한 검색 정확도를 달성합니다. 또한 저수준 특징과 결합 시 검색 성능을 크게 향상시키며, 사용자가 3D 쿼리 객체 없이도 속성 바 클릭만으로 검색할 수 있는 사용자 친화적 인터페이…

11 min read

3D 객체 검색을 위한 시맨틱 시그니처 학습

Source

  • Evernote/Papers/Learning Semantic Signatures for 3D Object Retrieval.md

Summary

본 논문은 3D 객체 검색(3DOR)을 위해 두 가지 시맨틱 시그니처, 즉 속성 시그니처(AS)와 참조 집합 시그니처(RSS)를 제안합니다. 인간의 질적 설명(예: ‘대칭’, ‘비행 가능’)을 정량화하여 저수준 형상 특징보다 훨씬 컴팩트하면서도 유사한 검색 정확도를 달성합니다. 또한 저수준 특징과 결합 시 검색 성능을 크게 향상시키며, 사용자가 3D 쿼리 객체 없이도 속성 바 클릭만으로 검색할 수 있는 사용자 친화적 인터페이스 구축을 가능하게 합니다.

Key Points

  • 속성 시그니처(AS)와 참조 집합 시그니처(RSS)를 통한 3D 객체의 시맨틱 표현 제안
  • 저수준 형상 특징 대비 저장 공간 및 계산 비용 절감, 유사한 검색 정확도 유지
  • 저수준 특징과의 결합을 통한 기존 3DOR 방법 대비 성능 향상
  • 3D 쿼리 객체 부재 시에도 가능한 속성 기반 검색 인터페이스 제공

그래프 뷰

백링크