Generative und diskriminative Voxelmodellierung mit konvolutionellen Neuronalen Netzen

Bei der Arbeit mit dreidimensionalen Daten ist die Wahl der Darstellung entscheidend. Wir untersuchen voxelbasierte Modelle und präsentieren Beweise für die Machbarkeit von voxelisierten Darstellungen in Anwendungen wie Formmodellierung und Objektklassifizierung. Unsere wesentlichen Beiträge sind Methoden zur Schulung von voxelbasierten Variational Autoencoders (VAEs), eine Benutzeroberfläche zur Erkundung des durch den Autoencoder gelernten latenten Raums sowie eine tiefes konvolutorisches Neuronales Netzwerk-Architektur für Objektklassifizierung. Wir behandeln Herausforderungen, die spezifisch für voxelbasierte Darstellungen sind, und evaluieren unsere Modelle empirisch am ModelNet-Benchmark, wo wir eine relative Verbesserung um 51.5 % im Vergleich zum aktuellen Stand der Technik bei der Objektklassifizierung nachweisen.