Modélisation voxel générative et discriminative avec des réseaux de neurones convolutifs

Lorsqu'on travaille avec des données tridimensionnelles, le choix de la représentation est crucial. Nous explorons les modèles basés sur les voxels et présentons des preuves de la viabilité des représentations voxellisées dans des applications telles que la modélisation de formes et la classification d'objets. Nos contributions principales sont des méthodes pour l'entraînement d'autoencodeurs variationnels basés sur les voxels, une interface utilisateur pour explorer l'espace latent appris par l'autoencodeur, et une architecture de réseau neuronal convolutif profond pour la classification d'objets. Nous abordons les défis spécifiques aux représentations basées sur les voxels et évaluons empiriquement nos modèles sur le benchmark ModelNet, où nous démontrons une amélioration relative de 51,5 % par rapport à l'état de l'art en matière de classification d'objets.