TY  - THES
A3  - Hinrichs, Klaus H.
AB  - Surface-reconstructing growing neural gas (Sgng) konstruiert iterativ aus Sample-Punkten von einer Objektoberfläche ein Dreiecksnetz, das diese Oberfläche repräsentiert: Zunächst wird eine Approximation erstellt, die nach und nach verfeinert wird. Sgng berücksichtigt dabei jegliche Änderungen an den Eingabedaten während der Ausführung. Wenn geeignete Bilder vorliegen, weist Sgng diese automatisch den Dreiecken als Texturen zu. Dabei wird die Anzahl der wahrnehmbaren Verdeckungsfehler auf ein Minimum reduziert, indem Sgng Sichtbarkeitsinformationen aus den Eingabedaten lernt. Sgng basiert auf einer Familie eng verwandter neuronaler Netze, die mittels Pseudocode und Beispielen detailliert vorgestellt werden. Sgng wird anhand von Erkenntnissen aus einer genauen Analyse früherer Ansätze hergeleitet. Die Ergebnisse ausgiebiger Evaluationen legen nahe, dass Sgng signifikant bessere Ergebnisse liefert als frühere Ansätze und es sich mit State-of-the-Art-Verfahren messen kann.
AU  - Vierjahn, Thomas
DA  - 2015
KW  - Geometrische Algorithmen
KW  - Oberflächenrekonstruktion
KW  - Shading und Textur
KW  - Neuronale Netze
KW  - Machinelles Lernen
KW  - geometric algorithms
KW  - surface fitting
KW  - shading and texture
KW  - neural nets
KW  - machine learning
LA  - eng
PY  - 2015
TI  - Online surface reconstruction from unorganized point clouds with integrated texture mapping
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:6-77259613790
Y2  - 2024-11-22T04:44:13
ER  -