CIENCIAS DE LA COMPUTACIÓN 4 1

LA TECNOLOGÍA 5G
Gustavo Adolfo Alpaca Chamba adolfoalpaca@hotmail.com
Computación Cientı́fica, facultad de Ciencias Matemáticas. UNMSM

It is seen that the 3D game has a broad field of investigation. In order to solve
the problem of matching 3D using local descriptors, the authors of the paper
propose three methods which are based on using a machine which is called
a quadratic signature forms the distance that is applied in three different
methods of solving this problem, these methods is applied in the different
vertices of the 3D figure, one of these vertices which is the most prominent
and the best moments, the vertices called points of interest. When doing an
analysis to the three methods only one of them yields an efficient result which
is denominated the solution of the 3D equivalent using local descriptors.
Index Terms—HOLA SOY GUSTAVO
F

1 INTRODUCC ÍON 3D parcial se de en forma eficiente.

S E analizará un trabajo de investigación [2]

realizado por el Dr. Ivan Sipiran y el Dr.
Benjamı́n Bustos, pues nos pareció muy in-
teresante aparte de eficaz el método que ellos
proponen. Los primeros métodos de match-
ing 3D propuestos se enfocaron en calcular un
descriptor, llamado vector caracterı́stico, que
es un vector en Rd que describe globalmente
un modelo 3D. Estos vectores caracterı́sticos
pueden utilizarse, por ejemplo, para implemen-
tar un motor de búsqueda por similitud de
objetos 3D, que permite encontrar modelos 3D
cuya geometrı́a es similar a otro modelo 3D,
al cual será llamado el objeto de consulta. A
esto se le conoce como el problema de match-
ing global. Esta vez se analizara y usara los
descriptores locales ya que han mostrado ser
más eficaces que los descriptores globales para
resolver el problema del matching parcial de
modelos 3D.Se describirá un método basado en
un enfoque métrico el cual hace una búsqueda
por similitud, el cual permite que el matching
2 MARCO TE ÓRICO
Se describirá un marco teórico el cual servirá
para poder entender cómo se desarrollan los
métodos.
2.1 Heat Kernel Signatures
El proceso de difusión de calor sobre un man-
ifold compacto S se rige por la ecuación del
calor:
∂u(x, t)
4S (x, t) = −
∂t
Donde 4S es el operador de Laplace-
Beltrami de S y u(x, t) es la distribución del
calor sobre S en el tiempo t. La solución a esta
ecuación es Kt (x, y), denominado el kernel de
calor. Ésta es una solución con una fuente pun-
tual de calor en x, e intuitivamente corresponde
a la cantidad de calor transferido de x a y en el
tiempo t. Para un manifold compacto, el kernel
de calor se puede expresar como los valores
CIENCIAS DE LA COMPUTACIÓN 4 2

y vectores propios del operador de Laplace- variable entre los distintos modelos 3D. Por
Beltrami: esto, la firma de caracterı́sticas de un mod-
∞
elo 3D puede tener un número distinto de
−λi t tuplas con respecto a otros modelos. Dadas
X
Kt (x, y) = e vi (x)vi (y)
i=0 dos firmas de caracterı́sticas S P = {(CiP , wiP ),
Q P P
Donde λi es el i-ésimo valor propio y vi (·)es i = 1, · · · , n} y S = {(Ci , wi ), i = 1, · · · , m} , y
el i-ésimo vector propio correspondiente a un una función de similitud positivo semidefinida
punto dado. En [4] demostraron formalmente sim : F S × F S ⇒ R, la Signature Quadratic
que el kernel de calor tiene propiedades intere- Form Distance se define como:
santes, por ejemplo es estable a perturbaciones
en la superficie del modelo 3D.
q
SQF D(S , S ) = (wP | − wQ )Asim (wP | − wQ )T
P Q
Para obtener un descriptor usando el kernel
de calor se calcula el valor kt (x, x) con lo que se donde la notacin (wP | − wQ ) corresponde
obtiene la distribución de calor en el tiempo t a la concatenación de los vectores de pesos, y
para cada punto en la superficie del modelo. Asim ∈ Rn+m×n+m es la matriz de similitud entre
En la práctica, el descriptor denominado centroides de S P y S Q , definida como:
Heat Kernel Signature se obtiene calculando
hkst (x) = kt (x, x) para n valores distintos de
t, obteniéndose un descriptor n-dimensional. 3 ESTADO DE ARTE
Los primeros métodos de matching 3D prop-
hks(x) =< hkst1 (x), · · · , hkstn (x) > uestos se enfocaron en calcular un descriptor,
llamado vector caracterı́stico, que es un vec-
2.2 Firmas de Caracterı́sticas y la Signa- tor en Rd que describe globalmente un mod-
ture Quadratic form Distance elo 3D. Estos vectores caracterı́sticos pueden
utilizarse, por ejemplo, para implementar un
En [1] propusieron la Signature Quadratic Form
motor de búsqueda por similitud de objetos
Distance (SQFD) como una medida flexible
3D, que permite encontrar modelos 3D cuya
para comparar objetos multimedia. Una carac-
geometrı́a es similar a otro modelo 3D, el objeto
terı́stica particular de esta función de distancia
de consulta. A esto se le conoce como el prob-
es que un objeto puede ser representado us-
lema de matching global. Dada la naturaleza
ando múltiples caracterı́sticas. Adicionalmente,
de estos descriptores para objetos 3D, a los
la comparación entre dos conjuntos de car-
que denominaremos descriptores globales, no
acterı́sticas puede realizarse incluso si ambos
permiten resolver desafı́os interesantes del área
conjuntos poseen distinto número de carac-
como el problema de matching parcial. En este
terı́sticas. Suponga que un modelo 3D P se
nuevo problema, lo que se quiere resolver es:
representa por un conjunto de caracterı́sticas
dado una parte de un modelo 3D, por ejemplo
F = {fi }, fi ∈ F S , donde F S es un espa-
obtenida a través de un escaneo parcial de un
cio de caracterı́sticas de dimensión arbitraria.
objeto, encontrar los objetos relevantes en una
Suponga además que existe un clustering de
colección de datos. Para esto se está tomando
F : Cl , · · · , Cn , donde cada Ci , es el centroide
en cuenta caracterı́sticas locales de los modelos
de cada cluster y que tiene asociado un peso wi ,
para calcular muchos vectores caracterı́sticos,
que corresponde a la fracción del total de pun-
no solo uno como en el caso de los descriptores
tos en dicho cluster. La firma de caracterı́sticas
globales. Esto permite tener descripciones de
S P se define como:
zonas acotadas del modelo 3D, y no requieren
conocer el modelo completo para calcular estos
S P = {(CiP , wiP ), i = 1, · · · , n}
atributos. En general, la mayorı́a de los traba-
Note que el tamaño de S P depende de jos cientı́ficos en el área se han enfocado en
su partición local en clusters y que esto es proponer algoritmos eficaces de matching 3D.
CIENCIAS DE LA COMPUTACIÓN 4 3

Sin embargo, con respecto al tema de la efi-

ciencia, es decir algoritmos que puedan resolver
rápidamente el problema, no ha habido muchas
propuestas.

4 METODOS EFICIENTES PARA

EL MATCHING 3D PARCIAL
Para esto en [2] muestran tres métodos distintos
para calcular las firmas de modelos 3D.

4.1 Primer método: Calcular la firma sobre

todos los vértices de los modelos 3D (SQFD-
ALL)
Se calcula el descriptor Heat Kernel Signature
(calcula la distribución del calor para cada
punto del objeto) a cada vértice del modelo 3D,
esto conformara el espacio de descriptores F S . grafico2.png
Luego se aplicara el proceso de clustering sobre
todos estos descriptores, lo que permite calcular
la firma por cada modelo 3D.
Por ultimo para hallar la funcin distancia el
cual ayuda a buscar por similitudes, usamos el
SQDF .

4.2 Segundo método: Calcular la firma so-

bre los puntos de interés del Modelo 3D
(SQFD-IP)
En este método ya no se utilizan todos los
vértices del modelo, sino que solo se usaran
los puntos denominados puntos de interés. La
hipótesis de este método es que no todos los
puntos del modelo son necesariamente los pun-
tos de la malla producen un espacio de de-
scriptores suficientemente discriminativo, por
lo que el algoritmo de matching se beneficiarı́a
al utilizar sólo un subconjunto de los puntos. Para poder hallar eficientemente los puntos
de interés se usara el algoritmo de Harris 3D
[3] lo cual nos escoge el 1% de los puntos de la
malla, gracias a esto el proceso de clustering se
agiliza.

4.3 Tercer método: calcular la firma so-

bre clusters de puntos de interés(SQFD-
CLUSTER)
Los puntos escogidos por el algoritmo de Har-
ris 3D tienden a formar un cluster, esto per-
CIENCIAS DE LA COMPUTACIÓN 4 4

mite eliminar puntos de interés aislados que no • También cabe resaltar que este método
pertenecen a ningún cluster, y que en realidad ayuda a que talvez se pueda solucionar
fueron detectados por el ruido presente en la cosas de la vida cotidiana. Un ejem-
malla. En el espacio geodésico de la superficie plo de ello es en lo forense, en el re-
de la malla se identifican los cluster. En este conocimiento de cuerpos calcinados, o
espacio se mide la distancia como el camino también en la arqueologı́a, y distintas
más corto recorrido a través de la superficie ciencias.
para llegar de un punto a otro, lo cual permite
encontrar clusters que contienen puntos de in-
terés invariantes a transformaciones no rı́gidas.
R EFERENCES
Luego se calcula la firma del modelo 3D. [1] Beecks C., Seran M. y Seidl T. Signature Quadratic Form
Distance. In Proc.ACM International Conference on Imagen
and Video Retrieval (CIVR’100), pp 438-445.ACM.2010.
[2] Bustos B., Sipirán I., Lokoc J. y Skopal T. Scalable 3D shape
5 RESULTADOS retrieval using local features and the signature quadratic form
distance, The visual computer Springer.(Agosto, 2016).
Para evaluar los métodos propuestos, [3] Sipirán I. y Bustos B. Harris 3D: A robust extension of the
deacuerdo con los estudios en [2], se establece Harris operator for interest point detection on 3D meshes. The
Visual Computer, 27(11):963-976. Springer, 2011.
un set de datos a partir de dos datasets [4] Sun J., Ovsjanikov M., and Guibas L. A Concise and Prov-
ocupados en benchmarking de búsqueda y ably Informative Multi-Scale Signature Based on Heat Diffu-
recuperación de modelos 3D: el TOSCA dataset sion.Computer Graphics Forum 28(5). 2009.
y el Sumner dataset. Entonces si observamos la
Figura 1 de la experimentación en [2], se ve que
el tercer método es el más eficiente, por ende
calcularemos las firmas a partir de clusters en
un espacio geodésico lo cual permite obtener
información espacial en el descriptor, el cual
es muy importante para realizar el proceso
de matching. Se destaca que dado que la
distancia SQFD(compara objetos multimedia
)es una métrica, es posible utilizar técnicas
de indexamiento para agilizar la eficiencia
del método de proceso de matching. El tercer
método es mejor gracias al uso del pivoteo
hace que reduzca el tiempo de matching.

6 CONCLUSIONES
• El método encontrado en [2] se obtuvo
un método más eficiente para resolver el
problema de matching 3D parcial.
• Se ve que el tercer método que se de-
scribió en el paper, es el más eficiente, ya
que con este se calcula los descriptores
locales sobre el clouster.
• En particular me parece que este trabajo
de investigación está muy bien estruc-
turado ya que no solo explayan su teorı́a,
sino que también nos presenta un marco
teórico para que ası́ se pueda entender
mejor su trabajo.