Original title: Analýza polygonálních modelů pomocí neuronových sítí
Translated title: Analysis of Polygonal Models Using Neural Networks
Authors: Dronzeková, Michaela ; Zemčík, Pavel (referee) ; Kodym, Oldřich (advisor)
Document type: Master’s theses
Year: 2020
Language: slo
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [slo] [eng]
Práca sa zaoberá odhadom rotácie na 3D modeloch čeľuste. Popisuje metódy na priame spracovanie 3D modelov aj spracovanie modelu pomocou rasterizácie a porovnáva tieto metódy. Na vyhodnotenie sietí bola zavedená metrika, ktorá počíta počet prípadov, v ktorých sieť urobila v odhade rotácie chybu menšiu ako 30° od skutočnej rotácie. Navrhnutá metóda, ktorá pracovala s rasterizáciou, spracovávala rontgenové snímky z troch pohľadov pomocou konvolučných sietí. Dosiahla úspešnosť 99% vo vyššie uvedenej metrike. Metóda priameho spracovania polygoniálneho modelu ako sekvencie využíva attention mechanizmus a je inšpirovaná transformer architektúrou. Pre túto metódu bola navrhnutá aj špeciálna operácia poolingu, ktorá umožnila znížiť hlavne pamäťovú náročnosť siete. Dosiahla horšie výsledky 88%, ale nevyžadovala rasterizáciu a priamo spracovávala polygoniálny model. Okrem toho, dosiahla lepšie výsledky ako metóda s rasterizáciou, kde model nebol zobrazený ako rontge, ale len ako render. Posledná metóda spracováva model v grafovej reprezentácii. Grafová sieť mala veľký problém s pretrénovaním, preto nedosiahla dobré výsledky a nepovažujem ju za dobrú metódu priameho spracovania polygoniálneho modelu. This thesis deals with rotation estimation of 3D model of human jaw. It describes and compares methods for direct analysis od 3D models as well as method to analyze model using rasterization. To evaluate perfomance of proposed method, a metric that computes number of cases when prediction was less than 30° from ground truth is used. Proposed method that uses rasterization, takes  three x-ray views of model as an input and processes it with convolutional network. It achieves best preformance, 99% with described metric. Method to directly analyze polygonal model as a sequence uses attention mechanism to do so and was inspired by transformer architecture. A special pooling function was proposed for this network that decreases memory requirements of the network. This method achieves 88%, but does not use rasterization and can process polygonal model directly. It is not as good as rasterization method with x-ray display, byt it is better than rasterization method with model not rendered as x-ray.  The last method uses graph representation of mesh. Graph network had problems with overfitting, that is why it did not get good results and I think this method is not very suitable for analyzing plygonal model.
Keywords: attention mechanism; graph convolutional network; neural networks; polygonal models; rotation estimation; transformer

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/192482

Permalink: http://www.nusl.cz/ntk/nusl-417253


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses