Bài viết đề xuất tập đặc trưng ngắn gọn và lựa chọn mô hình Support Vector Machine để phân lớp. Các đặc trưng nằm trong tập đặc trưng thu được do áp dụng kỹ thuật phân tích thành phần chính trên mô hình 3D.
Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00017 ĐỀ XUẤT TẬP ĐẶC TRƯNG TRONG PHÂN LỚP MƠ HÌNH 3D Nguyễn Văn Tảo, Nông Thị Hoa Trường ĐH Công nghệ thông tin Truyền thông, ĐH Thái Nguyên nvtao@ictu.edu.vn, nthoa@ictu.edu.vn TĨM TẮT: Việc phân lớp mơ hình 3D để lưu trữ CSDL giúp tăng tốc độ truy vấn mơ hình thiết kế cảnh ảo sản phẩm điện ảnh game Do đó, phân lớp mơ hình 3D nhiệm vụ cần thiết Các nghiên cứu trước đề xuất tập đặc trưng với số lượng đặc trưng nhiều từ 250 đến 800 thường cần tính tốn phức tạp để rút trích đặc trưng Vì vậy, thời gian phân lớp cho mẫu dài phải tính tốn với nhiều đặc trưng Trong báo này, đề xuất tập đặc trưng ngắn gọn lựa chọn mô hình Support Vector Machine để phân lớp Các đặc trưng nằm tập đặc trưng thu áp dụng kỹ thuật phân tích thành phần mơ hình 3D Tập đặc trưng gồm giá trị riêng ba trục mơ hình 3D Do Support Vector Machine huấn luyện đạt cực tiểu lỗi nên Support Vector Machine phân lớp hiệu chọn tập huấn luyện tốt Hơn nữa, vấn đề overfitting giảm chọn tập huấn luyện vừa đủ có tính tổng qt hóa cao Vì vậy, lựa chọn Support Vector Machine để phân lớp dựa đặc trưng đề xuất Các thực nghiệm làm với tập liệu chuẩn Pinceton Shape Brenchmark phân lớp hình dạng 3D Chúng tơi tiến hành thực nghiệm phân lớp lớp phương tiện giao thông Kết thực nghiệm cho thấy việc dùng Support Vector Machine kết hợp với tập đặc trưng đề xuất cho kết phân lớp tốt kỹ thuật so sánh Từ khóa: Phân lớp, trích chọn đặc trưng, mơ hình 3D, Support Vector Machine, computer vision I GIỚI THIỆU Ngày nay, mô hình 3D ngày nhiều ứng dụng thiết kế cảnh ảo nhiều lĩnh vực thiết kế nội thất, sản xuất phim ảnh bảo tồn di sản văn hố Sự tăng nhanh mơ hình 3D địi hỏi cần có cách quản lý, lưu trữ mơ hình 3D hợp lý để truy vấn nhanh mơ hình 3D Vì vậy, mơ hình 3D cần phân lớp trước lưu trữ CSDL phân lớp mơ hình 3D nhiệm vụ cần thiết Trong nghiên cứu trước đây, phân lớp mơ hình 3D chia thành hai nhóm gồm: (i) xây dựng phân lớp dùng với mô tả đặc trưng có sẵn [2] [3] [4] [5], (ii) đề xuất tập đặc trưng dùng phân lớp có sẵn để phân lớp [5] [7] [8] Một số nghiên cứu đề xuất tập đặc trưng phân lớp [1] Với hướng đề xuất tập đặc trưng mới, số lượng đặc trưng nhiều (từ 250 đến 800) đặc trưng thường tính tốn cơng thức tốn học phức tạp [2] [5] [6] [7] biến đổi cosin rời rạc, biến đổi Fourier, biến đổi Hough,… Vì vậy, thời gian phân lớp dài phải tính tốn với nhiều đặc trưng Trong báo này, đề xuất tập đặc trưng ngắn gọn lựa chọn mơ hình Support Vector Machine để phân lớp Các đặc trưng nằm tập đặc trưng thu áp dụng kỹ thuật phân tích thành phần mơ hình 3D Tập đặc trưng gồm giá trị riêng ba trục mơ hình 3D Do Support Vector Machine huấn luyện đạt cực tiểu lỗi nên Support Vector Machine phân lớp hiệu chọn tập huấn luyện tốt Hơn nữa, vấn đề overfitting hạn chế chọn tập huấn luyện có tính tổng qt hóa cao Vì vậy, lựa chọn Support Vector Machine để phân lớp dựa đặc trưng đề xuất Các thực nghiệm làm với tập liệu chuẩn Pinceton Shape Brenchmark phân lớp hình dạng 3D Chúng tơi tiến hành thực nghiệm phân lớp phương tiện giao thông bao gồm lớp: máy bay, tàu thủy, thuyền buồm, ô tô, tàu hỏa, khinh khí cầu Kết thực nghiệm cho thấy việc dùng Support Vector Machine kết hợp với tập đặc trưng đề xuất cho kết phân lớp tốt kỹ thuật so sánh Bài báo chia thành phần Phần I giới thiệu chung Phần II trình bày nghiên cứu liên quan Phần III giới thiệu kiến thức biểu diễn mơ hình 3D Support Vector Machine Phần IV trình bày tập đặc trưng đề xuất vfa lý lựa chọn phân lớp Phần V trình bày phân tích kết thực nghiệm Một số kết luận hướng phát triển nêu Phần IV II CÁC NGHIÊN CỨU LIÊN QUAN Các nghiên cứu đề xuất tập đặc trưng dùng phân lớp mơ hình 3D chia thành hai nhóm gồm (i) đề xuất tập đặc trưng (ii) lựa chọn số đặc trưng mơ tả có sẵn mơ hình 3D Một số nghiên cứu dùng mạng nơron học sâu nên khơng cần rút trích đặc trưng Trong nhóm nghiên cứu thứ nhất, số nghiên cứu công bố Z Shu đồng nghiệp [1] đưa mô tả đặc trưng - PTI (Principal Thickness Images) Các đặc trưng thể qua ba ảnh mức xám thể độ dày bề mặt bao quanh mơ hình chiếu mơ hình theo hướng PTI1, PTI2, PTI3 nhóm đề xuất Nhóm tác giả cải tiến phân lớp dựa biểu diễn nhân thưa (kernel sparse representation-based classification) mơ hình 2D thành phân lớp cho mơ hình 3D ko cứng (non-girid 3D model) Ban đầu, rút ba véctơ đặc trưng thể biểu đồ mức xám ảnh mức xám thu phép chiếu theo hướng PTI Sau đưa véctơ vào tính mức độ thành viên mơ hình vào lớp thơng qua hàm tối ưu Các thực nghiệm làm liệu SHREC’11 phân lớp mơ hình nhiều lớp khác S P Foliguet đồng nghiệp [5] đưa khung công việc để ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MƠ HÌNH 3D 130 phân lớp mơ hình phần tổng thể Đầu tiên, rút trích đặc trưng mơ hình theo mơ tả hình dạng tổng thể gồm đặc trưng sau: Cord histograms, Extended Gaussian images, Complex Extended Gaussian images, 3D Hough transform, Spherical harmonic representation Sau đó, dùng SVM kết hợp với học tích cực để phân lớp mơ hình Tiếp theo, cải tiến việc phân lớp thơng qua việc đối sánh hình dạng theo phần mơ hình dựa mơ tả cục Việc phân chia mơ hình thành phần dựa theo cách đường cong (đỉnh lồi) mơ hình Các đặc trưng mô tả cục gồm: Extended Gaussian images, Complex Extended Gaussian images, Cord1D, Cord2D, 2D curvature histograms Các thực nghiệm làm liệu Princeton Shape EROS-3D để phân lớp mơ hình nhiều lớp khác L Biao đồng nghiệp [2] đưa mô hình phân lớp tốt dựa vào kết hợp đồ thị Đầu tiên, tiến hành rút trích đặc trưng theo số mơ tả mơ hình có sẵn gồm 2D Polar-Fourier, 2D Zernike moments 2D Krawthcouk moments Sau đó, xây dựng đồ thị dựa đặc trưng mô tả Cuối cùng, dùng phương pháp Label Propagation để phân lớp thơng qua việc tính hàm thành viên mơ hình vào lớp Các thực nghiệm làm liệu Princeton shape benchmark SHREC'09 Trong nhóm nghiên cứu thứ hai, tác giả dùng mô tả khác kết hợp với số kỹ thuật cắt tỉa để giảm số lượng đặc trưng A Kassimi O.E Beqqali [5] trình bày tiếp cận để phân lớp mơ hình dựa vào mơ tả cấu trúc khái niệm ngữ nghĩa Hai tác giả chọn Shape Indexes làm đặc trưng để mô tả tốt khái niệm ngữ nghĩa mơ hình Shape Indexes gồm thông tin Sphericity, Compactness, Convexity, Elongation Việc phân lớp gồm ba bước sau: Gắn nhãn khái niệm cho mơ hình việc dùng thuật tốn K-mean dựa Shape Indexes; Phân lớp mơ hình dựa vào nhãn khái niệm bước trước thuật toán K láng riềng gần kết hợp với khoảng cách Euclid Lược đồ mô tả (ontology) gồm quan hệ khơng gian, số hình dạng thước đo xây dựng để đo tương đồi mơ hình thơng qua với khoảng cách Euclid Ưu điểm nghiên cứu mơ hình có đặc trưng mức cao đặc trưng mức thấp Các thực nghiệm làm liệu Princeton Shape để truy vấn mơ hình sở liệu L Zongmin đồng nghiệp [7] đưa phân lớp phân cấp để phát ngữ nghĩa mơ hình Xuất phát từ đặc trưng ban đầu mơ hình, nhóm thực giảm số chiều để thu đặc trưng bật việc dùng mạng Radial Basis Function (RBF) với Kernel Principal Component Analysis Kernel Local Fisher Discriminant Analysis Sau đó, dùng phân lớp SVM để phân lớp các đặc trưng bật Các thực nghiệm làm liệu Princeton Shape để phân lớp mơ hình nhiều lớp khác H Yuesheng, Y.Y Tang [8] đưa phương thức để tính tốn dấu hiệu hình dạng đo khác biệt mơ hình Nhóm chọn phân bố hình dạng Osadas để rút tập đặc trưng theo mô tả 2D Bộ mơ tả 2D hình thành biểu đồ histogram khoảng cách góc cặp điểm bề mặt mơ hình Sau đó, dùng SVM với nhân dạng Poly để phân lớp đặc trưng Việc huấn luyện làm nhiều lần để chọn nhân tham số phù hợp cho SVM Các thực nghiệm làm liệu tự thu thập Internet để chứng minh tính hiệu phương thức đề xuất Hai nghiên cứu sau dùng khả học mạng nơron để tránh việc phải trích chọn đặc trưng Trong nghiên cứu [3], J Y Gwak dùng mạng nơron tiến hóa có tầng để khơng phải rút trích đặc trưng mơ hình cực tiểu lỗi dự đốn Tác giả phân tích kỹ cấu trúc xử lý tầng mạng Hơn nữa, thông tin mạng cần học q trình huấn luyện phân tích rõ nên liệu huấn luyện chuẩn bị phong phú số lượng lớn Ưu điểm nghiên cứu xác định tư mơ hình Các thực nghiệm làm liệu ShapeNet phân lớp mơ hình nhiều lớp khác Q Fei-wei đồng nghiệp [4] đưa phân lớp mơ hình 3D CAD dựa mạng nơron học sâu theo cách phân loại phận máy móc Đầu tiên, nhóm tác giả phân tích tri thức phân lớp máy móc kỹ sư Sau đó, chọn mơ tả LFD (light field descriptor) để rút trích đặc trưng mơ hình Đây mơ tả dựa vào góc nhìn nên gần giống với cách nhận biết đối tượng người Nhóm chọn Zernike moments để biểu diễn ảnh 2D lấy từ mơ hình 3D Tiếp theo, đặc trưng tiền xử lý biểu diễn thành véctơ nhiều chiều Cấu trúc mạng học sâu gồm tầng với số nút tầng 3500-28-400-56-28-1 Nhiều chiến lược học áp dụng cho mạng để tìm tham số học, trọng số mạng, ngưỡng dừng học để tránh việc học (overfitting) Các thực nghiệm làm liệu tự thu thập Internet để chứng minh tính hiệu cách tiếp cận đề xuất III CƠ SỞ LÝ THUYẾT 2.1 Biểu diễn mơ hình 3D 2.2.1 Định dạng file thể mơ hình 3D Một file thể mơ hình 3D lưu trữ thơng tin mơ hình Các thơng tin gồm: Thơng tin hình học để mơ tả hình dạng; Hình ảnh bề mặt gồm màu, mẫu nền, kiểu chất liệu; Các cảnh gồm vị trí nguồn sáng, camera đối tượng kèm; Các chuyển động mơ hình Hiện nay, hàng trăm định dạng sử dụng nên có số định dạng trung gian công bố để chuyển đổi định dạng Hai định dạng trung gian có tiếng STL COLLADA Định dạng STL lưu thơng tin hình học cịn định dạng COLLADA lưu đầy đủ thơng tin Nguyễn Văn Tảo, Nông Thị Hoa 131 2.1.2 Định dạng STL mơ hình 3D STL định dạng trung gian quan trọng lĩnh vực in 3D, tạo mẫu nhanh sản xuất dựa vào trợ giúp máy tính Định dạng mơ tả xấp xỉ bề mặt đối tượng lưới tam giác bao quanh mơ hình Mỗi tam giác có thông tin: tọa độ đỉnh véctơ đơn vị vng góc với bề mặt tạo cạnh tam giác File STL dạng ASCII có cấu trúc sau: solid facet normal nx ny nz outer loop vertex v1x v1y v1z vertex v2x v2y v2z vertex v3x v3y v3z endloop endfacet endsolid Trong đó, khai báo tam giác xuất nhiều hay phụ thuộc vào số lượng tam giác bao phủ bề mặt mơ hình File STL có số quy tắc riêng bao gồm: Quy tắc đỉnh: tam giác phải có hai đỉnh chung với tam giác lân cận; Quy tắc hướng: hướng mặt hướng ngồi mơ hình cạnh liệt kê theo hướng ngược kim đồng hồ; Quy tắc octant tích cực: tọa độ đỉnh tam giác phải dương; Luật xếp tam giác: tam giác xuất theo thứ tự tăng giá trị trục Z 2.2 Support Vector Machine Support Vector Machine (SVM) kỹ thuật học máy để giải toán phân lớp dự đoán giá trị SVM tìm siêu phẳng tối ưu mà cực đại hóa khoảng cách lớp [9] Cho tập huấn luyện, mẫu thuộc hai lớp Thuật toán huấn luyện SVM xây dựng mơ hình để gán nhãn lớp cho mẫu SVM xem mẫu điểm không gian ánh xạ mẫu vào lớp dựa vào đường biên ngăn cách hai lớp Một mẫu dự đoán thuộc lớp dựa vào vị trí mẫu so với đường biên 2.2.1 SVM tuyến tính Cho tập huấn luyện có n điểm dạng sau: ⃗⃗⃗⃗ lớp điểm ⃗⃗⃗ Mỗi ⃗⃗⃗ véctơ có p chiều ⃗⃗⃗⃗ với nhận giá trị +1 −1 Mỗi giá trị biểu thị SVM tìm siêu phẳng mà khoảng cách từ siêu phẳng đến điểm gần lớp lớn Siêu phẳng gọi siêu phẳng có lề cực đại Một siêu phẳng xem tập điểm thỏa mãn: ⃗⃗ với ⃗⃗⃗⃗ véctơ định hướng siêu phẳng (⃗⃗⃗⃗ vng góc với siêu phẳng) Tham số ‖ ⃗⃗ ‖ lề siêu phẳng (1) 2.2.2 SVM khơng tuyến tính với hàm nhân Để cải thiện hiệu việc phân lớp, SVM dùng thêm hàm nhân để biến đổi mẫu trước đưa vào SVM học dự đốn lớp Q trình học dự đốn lớp giống SVM tuyến tính Dưới số hàm nhân phổ biến Nhân đa thức: có dạng (2) (⃗⃗⃗ ⃗⃗⃗ ) (⃗⃗⃗ ⃗⃗⃗ ) (⃗⃗⃗ ⃗⃗⃗ ) (⃗⃗⃗ ⃗⃗⃗ ) (3) Nhân Gauss (⃗⃗⃗ ⃗⃗⃗ ) ( ‖⃗⃗⃗ ⃗⃗⃗ ‖ ) với (4) ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MƠ HÌNH 3D 132 2.2.3 Các tính tốn phân lớp SVM Để học luật phân lớp khơng tuyến tính, mẫu vào ⃗⃗⃗ cần chuyển đổi qua hàm hàm nhân k cần thỏa mãn điều kiện: (⃗⃗⃗ ⃗⃗⃗ ) ⃗⃗⃗ (⃗⃗⃗ ) ⃗⃗⃗ Hơn nữa, việc dùng (5) Véctơ ⃗⃗⃗⃗⃗ tính cơng thức: ⃗⃗⃗⃗ ∑ ⃗⃗⃗ ∑ ∑∑ (6) với ci thu nhờ giải toán tối ưu sau: (⃗⃗⃗ ⃗⃗⃗ ) (7) Các ràng buộc gồm: ∑ (8) , với i Một mẫu (9) gán vào lớp: ∑ ⃗⃗⃗ (10) IV ĐỀ XUẤT TẬP ĐẶC TRƢNG VÀ LỰA CHỌN BỘ PHÂN LỚP THÍCH HỢP 4.1 Các yêu cầu tập đặc trƣng Bài toán phân lớp giải tốt phụ thuộc vào yếu tố gồm tập đặc trưng có khả đại diện cho lớp phân lớp phù hợp để phân lớp hiệu Bài tốn phân lớp nói chung phải phân lớp mơ hình nhiều lớp khác Vì vậy, việc tìm tập đặc trưng đại diện cho lớp vấn đề quan trọng số lớp lớn việc tìm tập đặc trưng khó Thơng thường, u cầu tập đặc trưng tốt bao gồm: Phải có khả thể đặc trưng riêng lớp; Không nên phụ thuộc vào kích thước vị trí mơ hình; Tính tốn đơn giản tốt; Số lượng đặc trưng tốt Yêu cầu bắt buộc để đảm bảo phân lớp làm việc hiệu Các yêu cầu lại để đạt thường phải đánh đổi việc giảm tính hiệu việc phân lớp 4.2 Đề xuất tập đặc trƣng Để đảm bảo đặc trưng không phụ thuộc vào kích thước mơ hình, chúng tơi thực chuẩn hóa tọa độ đỉnh miền [0,1] trước rút trích đặc trưng Nghĩa là, mơ hình co nhỏ để nằm khối lập phương có độ dài cạnh nằm phía dương trục tọa độ Cách làm cụ thể sau: Đầu tiên, tìm giá trị lớn thể ba thành phần x, y, z điểm mơ tả mơ hình 3D Sau đó, chia giá trị thành phần x, y, z điểm cho giá trị lớn tìm Việc đảm bảo tiêu chuẩn thứ hai tập đặc trưng Chúng đề xuất tập đặc trưng cố gắng đạt yêu cầu Chúng lựa chọn giá trị riêng (eigenvalues) trục (principal axis) mơ hình 3D làm tập đặc trưng Do đó, chúng tơi dùng có đặc trưng để phân lớp Điều đảm bảo tiêu chuẩn thứ tư tập đặc trưng Chúng cung cấp số khái niệm để giải thích ý nghĩa ba đặc trưng lý đảm bảo hai tiêu chuẩn lại tập đặc trưng Trục ba trục vng góc với khối mà mơmen qn tính khối cực đại Với vật thể rắn đặc, mơmen qn tính tính tích phân tồn thể tích vật thể Hình mô tả trục khối trụ Nguyễn Văn Tảo, Nơng Thị Hoa 133 Hình Các trục khối trụ Giá trị riêng trục hệ số biến đổi véctơ riêng thể trục khối Véctơ riêng trục thể biến đổi hình dạng đối tượng theo trục Sự biến đổi hình dạng đối tượng thể qua thay đổi mômen quán tính tồn bề mặt đối tượng Do mơ hình 3D thuộc lớp khác biến đổi hình dạng theo ba trục x, y, z khác Vì vậy, giá trị riêng đại diện cho lớp có hình dạng khác biệt Vì vậy, tập đặc trưng đề xuất đại diện cho lớp đối tượng khác Nghĩa là, tập đặc trưng đề xuât đảm bảo tiêu chuẩn thứ tập đặc trưng Cách tính tốn để rút trích đặc trưng đảm bảo tiêu chuẩn thứ ba tập đặc trưng Các bước để tính đặc trưng mơ hình 3D thơng qua phép tính đơn giản ma trận gồm: Bước 1: Chuẩn hóa tọa độ điểm miền giá trị [0,1] Bước 2: Lấy danh sách điểm mơ hình 3D xếp thành hàng liên tiếp (lưu ma trận X) Bước 3: Tính ma trận hiệp phương sai (covariance matrix) theo công thức A=XTX Bước 4: Tính giá trị riêng (eigenvalues) A Đây đặc trưng đề xuất Cách tính giá trị riêng ma trận: Cho A ma trận vuông cấp n trường số thực Số gọi giá trị riêng ma trận A, tồn vectơ u cho: Khi đó, véctơ u gọi véctơ riêng ma trận A ứng với giá trị riêng Giá trị riêng nghiệm phương trình Để giải phương trình này, dùng phép toán gồm cộng, trừ, nhân chia Điều cho thấy, tiêu chuẩn thứ ba tập đặc trưng thỏa mãn 4.3 Lựa chọn phân lớp thích hợp Chúng xem xét đặc điểm ưu điểm phân lớp thường dùng (Naïve Bayes, Cây định, SVM, mạng nơ-ron) để chọn phân lớp thích hợp với tập đặc trưng đề xuất Ưu điểm SVM việc huấn luyện SVM đạt đến mức độ lỗi nhỏ Điều đảm bảo SVM phân lớp hiệu cung cấp tập huấn luyện tốt Hạn chế SVM overfitting Chúng ta cần chọn tập huấn luyện có số lượng mẫu vừa đủ có tính tổng qt hóa cao khắc phục hạn chế Qua phân tích trên, chúng tơi lựa chọn SVM làm phân lớp Các thực nghiệm làm để chứng minh tính hiệu tập đặc trưng đề xuất lựa chọn phân lớp V KẾT QUẢ THỰC NGHIỆM 5.1 Mô tả tập liệu Các mô hình dùng thực nghiệm lấy từ sở liệu chuẩn Princeton Shape Benchmark [10] Cơ sở liệu dùng cho việc đánh giá kết nghiên cứu việc đối sánh, phân lớp, phân cụm nhận dạng mơ hình 3D Các thực nghiệm làm mơ hình phương tiện giao thơng gồm lớp: máy bay, khinh khí cầu, thuyền buồm, tàu thủy, ô tô, tàu hỏa Trong lớp lại chia thành lớp Ví dụ: lớp máy bay chia thành máy bay trực thăng, máy bay chở khách, máy bay chiến đấu, máy bay thể thao Chúng lựa chọn mẫu lớp mẫu điển hình lớp Đối với lớp có số lượng khinh khí cầu, tàu hỏa mẫu dùng cho thử nghiệm Tập liệu dùng thử nghiệm có 100 mơ hình gồm 23 máy bay, 21 tàu thủy, 15 thuyền buồm, 11 khinh khí cầu, tàu điện 24 ô tô Nhãn lớp mẫu gán dựa vào hình ảnh mẫu Nhãn tương ứng với lớp: (máy bay), (kinh khí cầu), (tàu thủy), (thuyền buồm), (tàu điện), (ơ tơ) Hình biểu diễn hình ảnh mơ hình dùng thử nghiệm ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MÔ HÌNH 3D 134 Hình Các mơ hình dùng thử nghiệm 5.2 Kết thực nghiệm Tập liệu chia ngẫu nhiên thành ba tập gồm tập huấn luyện, tập kiểm tra tập thẩm định Chúng chọn tỷ lệ chia mẫu thường dùng (0,7, 0,15, 0,15) Chúng dùng tập huấn luyện (có 70 mẫu) dùng tập cịn lại (có 30 mẫu) để kiểm tra Các kỹ thuật phân lớp code để so sánh bao gồm thuật toán K-means phân lớp Naïve Bayes Kết phân lớp K-means gióng nhãn cho kết phân lớp cao Bộ phân lớp Naïve Bayes dùng tập huấn luyện giống mơ hình SVM Chúng tơi làm lần thử nghiệm Với lần, chia lại liệu theo cách ngẫu nhiên cho kỹ thuật dự đoán nhãn lớp Kết thử nghiệm thể bảng từ Bảng đến Bảng Mỗi bảng thể tổng số mẫu lớp, số mẫu phân lớp kỹ thuật để tiện cho việc so sánh Bảng tổng hợp tỷ lệ % dự đoán lần thử nghiệm Bảng Kết lần thử nghiệm thứ Số mẫu dự đoán Nhãn lớp Số mẫu Bayes Kmeans SVM 4 5 4 4 1 Tổng 30 20 17 28 66,667 56,667 93,333 Tỷ lệ % Nguyễn Văn Tảo, Nông Thị Hoa 135 Bảng Kết lần thử nghiệm thứ hai Nhãn lớp Số mẫu Tổng Tỷ lệ % 5 7 30 Số mẫu dự đoán Bayes Kmeans SVM 4 3 5 4 7 22 19 26 73,333 63,333 86,667 Bảng Kết lần thử nghiệm thứ ba Nhãn lớp Số mẫu Tổng Tỷ lệ % 12 30 Số mẫu dự đoán Bayes Kmeans SVM 10 11 2 5 2 5 26 19 28 86,667 63,333 93,333 Bảng Kết lần thử nghiệm thứ tư Nhãn lớp Số mẫu Tổng Tỷ lệ % 30 Số mẫu dự đoán Bayes Kmeans SVM 3 1 5 4 2 9 23 22 27 76,667 73,333 90,000 Bảng Kết lần thử nghiệm thứ năm Nhãn lớp Số mẫu Tổng Tỷ lệ % 5 30 Số mẫu dự đoán Bayes Kmeans SVM 2 5 7 22 19 25 73,333 63,333 83,333 Dữ liệu từ Bảng Bảng cho thấy SVM cho kết phân lớp tốt Tiếp theo phân lớp Nạve Bayes Cuối thuật tốn Kmeans Hơn nữa, lớp nhân dạng thử nghiệm, ngoại trừ lớp thứ thử nghiệm lần Điều cho thấy việc lựa chọn SVM để phân lớp dựa tập thuộc tính đề xuất Bảng Tổng hợp kết lần thử nghiệm Lần thử nghiệm Trung bình Tỷ lệ % dự đốn Bayes Kmeans SVM 66,667 56,667 93,333 73,333 63,333 86,667 86,667 63,333 93,333 76,667 73,333 90,000 73,333 63,333 83,333 75,333 63,9998 89,333 136 ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MÔ HÌNH 3D Số liệu dịng cuối Bảng cho thấy kết phân lớp SVM cao hai kỹ thuật so sánh 14 % 26,666 % Độ xác SVM đạt 89.333 % Kết thực nghiệm cho thấy cách tiếp cận phân lớp hiệu tập liệu mà có khác biệt rõ ràng hình dạng lớp đối tượng VI KẾT LUẬN Trong báo này, đề xuất tập đặc trưng ngắn gọn lựa chọn mơ hình SVM để phân lớp Các đặc trưng gồm giá trị riêng ba trục mơ hình 3D Mơ hình SVM chọn nhờ ưu điểm trình huấn luyện giảm nhược điểm overfitting Các thực nghiệm làm với tập liệu chuẩn Pinceton Shape Brenchmark phân lớp hình dạng 3D Chúng tiến hành thực nghiệm phân lớp 100 phương tiện giao thông bao gồm lớp: máy bay, tàu thủy, thuyền buồm, tơ, tàu hỏa, khinh khí cầu Kết thực nghiệm cho thấy việc dùng SVM kết hợp với tập đặc trưng đề xuất cho kết phân lớp tốt kỹ thuật so sánh Trong thời gian tới, nghiên cứu bổ sung thêm số đặc trưng để cải thiện độ xác phân lớp mở rộng thực nghiệm tập liệu lớn TÀI LIỆU THAM KHẢO [1] Z Shu, S Xin, H Xu, L Kavan, P Wang, L Liu “3D model classification via Principal Thickness Images”, Computer-Aided Design, vol 78, pp 199-208, 2016 [2] L Biao, D Changchun, G Shuang Guo, Z Xiangyang Zhang, X Zhang “A powerful 3D model classification mechanism based on fusing multi-graph”, Neurocomputing, vol 168, pp 761-769, 2015 [3] J Y Gwak 3D model classification using convolutional neural network, Report of Stanford University, 2015 http://cs229.stanford.edu/proj2015/146_report.pdf [4] Q Fei-wei, L Lu-ye, G Shu-ming, Y Xiao-ling, C Xiang “A deep learning approach to the classification of 3D CAD models”, Journal of Zhejiang University SCIENCE C", vol 15, no 2, pp 91-106, 2014 [5] S P Foliguet, M Jordan, L Najman, J Cousty “Artwork 3D model database indexing and classification”, Pattern Recognition, vol 44, pp 588-597, 2011 [6] A Kassimi, O E Beqqali “3D Model Classification And Retrieval Based on Semantic And Ontology”, International Journal of Computer Science, Vol 8, Issue 5, No 2, 2011 [7] L Zongmin, W Daqian, L Boyang, Z Liangliang, “3D model classification using salient features for content representation”, Sixth International Conference on Natural Computation, vol 7, pp 3541-3545, 2010 [8] H Yuesheng, Y Y Tang “Classification of 3D models for the 3D animation environments”, IEEE International Conference on Systems, Man and Cybernetics, pp 3786-3791, 2009 [9] Corinna Cortes, Vladimir Vapnik: Support-vector networks, Machine Learning 20(3), 273-297, (1995) [10] P Shilane, P Min, M Kazhdan, T Funkhouser “The Princeton Shape Benchmark”, Shape Modeling International, 2004 Available at: http://shape.cs.princeton.edu/benchmark/ PROPOSE AN FEATURE SET FOR CLASSIFYING 3D MODELS Nguyen Van Tao, Nong Thi Hoa ABSTRACT: Classifying 3D models for storing in databases helps to speed queries when designing virtual scences in movies and games Therefore, classifying 3D models is a essential task Previous studies proposed features sets which have from 250 to 800 features, and can use complex computing for extracting As a result, the time for classifying is more long to process features In this paper, we propose a small set of features and select SVM to classify 3D model These features obtains from the Principal component analysis of 3D models Eigenvalues of principal axis of 3D models are proposed features We select SVM as a classifier based on the advantages and characterics of SVM Experiments are conducted with the brenchmark dataset, Pinceton Shape Brenchmark We classify classes of travel means Experimental results show that our approach is better than comparing methods Keywords: Classifying model 3D, extract features, 3D models, Support Vector Machine, computer vision ...ĐỀ XUẤT TẬP ĐẶC TRƯNG DÙNG TRONG PHÂN LỚP MÔ HÌNH 3D 130 phân lớp mơ hình phần tổng thể Đầu tiên, rút trích đặc trưng mơ hình theo mơ tả hình dạng tổng thể gồm đặc trưng sau: Cord... cho lớp phân lớp phù hợp để phân lớp hiệu Bài tốn phân lớp nói chung phải phân lớp mơ hình nhiều lớp khác Vì vậy, việc tìm tập đặc trưng đại diện cho lớp vấn đề quan trọng số lớp lớn việc tìm tập. .. Nghĩa là, tập đặc trưng đề xuât đảm bảo tiêu chuẩn thứ tập đặc trưng Cách tính tốn để rút trích đặc trưng đảm bảo tiêu chuẩn thứ ba tập đặc trưng Các bước để tính đặc trưng mơ hình 3D thơng qua