[논문 리뷰] 3D Model Retrieval Based on Semantic and Shape Indexes

My Kassimi, Omar El Beqqali|arXiv (Cornell University)|2011. 11. 28.

3D Shape Modeling and Analysis참고 문헌 25인용 수 9

한 줄 요약

이 논문은 3차원 모델 검색 정확도를 향상시키기 위해 의미 체계적 개념과 형태 색인을 결합하는 3D 모델 검색 방법을 제안한다. 형태와 측정 공간에서 k-means 군집화를 적용하여 모델에 의미 체계적 개념을 레이블링하고, OWL 온톨로지로 표현하며, SPARQL 쿼리를 적용하여 유사도를 계산한다. 이는 프린스턴 셰이프 벤치마크에서 뛰어난 성능을 기록한다.

ABSTRACT

The size of 3D models used on the web or stored in databases is becoming increasingly high. Then, an efficient method that allows users to find similar 3D objects for a given 3D model query has become necessary. Keywords and the geometry of a 3D model cannot meet the needs of users' retrieval because they do not include the semantic information. In this paper, a new method has been proposed to 3D models retrieval using semantic concepts combined with shape indexes. To obtain these concepts, we use the machine learning methods to label 3D models by k-means algorithm in measures and shape indexes space. Moreover, semantic concepts have been organized and represented by ontology language OWL and spatial relationships are used to disambiguate among models of similar appearance. The SPARQL query language has been used to question the information displayed in this language and to compute the similarity between two 3D models. We interpret our results using the Princeton Shape Benchmark Database and the results show the performance of the proposed new approach to retrieval 3D models. Keywords: 3D Model, 3D retrieval, measures, shape indexes, semantic, ontology

연구 동기 및 목표

• 단순 키워드나 기하학적 특성에 의존하는 전통적 3D 검색 방법의 한계를 해결하기 위해 의미 이해 능력이 부족하다는 점을 해결한다.
• 저수준의 형태 특징과 고수준의 의미 체계적 개념을 통합하여 3D 모델 검색의 의미 갭을 극복한다.
• 공간적 관계를 활용하여 외관이 유사한 모델 간의 의미적 혼동을 제거하여 더 정확하고 의미 있는 검색을 가능하게 한다.
• 온톨로지 모델링을 통해 3D 모델 의미 체계를 체계적이고 기계가 처리할 수 있는 형태로 표현한다.
• OWL 지식 기반 위에서 SPARQL 쿼리를 사용하여 의미적 및 형태 기반의 유사도를 효율적으로 쿼리할 수 있는 메커니즘을 제공한다.

제안 방법

• 형태 색인과 기하 측정치의 공간에서 k-means 군집화를 적용하여 3D 모델에 자동으로 의미 체계적 레이블을 할당한다.
• 결과로 도출된 의미 체계적 개념과 공간적 관계를 공식적이고 기계가 읽을 수 있는 형태로 표현하기 위해 OWL 온톨로지 언어를 사용한다.
• 3D 객체의 부분 간 공간적 관계를 모델링하여 외관이 유사한 모델 간의 구분을 향상시킨다.
• Semantic 지식 기반에서 SPARQL를 사용하여 쿼리 모델과 데이터베이스 모델 간의 유사도 점수를 계산한다.
• 형태 기반 비교를 위해 곡률, 부피, 표면적 등의 형태 색인을 정량적 기술자로 통합한다.
• 의미적 유사도와 형태 기반 유사도 점수를 통합하여 최종 검색 순위를 산정한다.

실험 결과

연구 질문

• RQ1 형태 색인과 의미 체계적 개념을 융합함으로써 기하학적 또는 키워드 기반 방법에 비해 3D 모델 검색 성능을 향상시킬 수 있는가?
• RQ2 기계 학습(k-means)을 활용하여 형태 및 기하 측정치에서 의미 체계적 레이블을 얼마나 효과적으로 유추할 수 있는가?
• RQ3 3D 모델 내의 공간적 관계가 외관이 유사한 객체를 얼마나 잘 구분하는 데 기여하는가?
• RQ4 OWL 기반 온톨로지와 SPARQL 쿼리를 사용하여 3D 모델의 의미 기반 검색을 스케일러블하고 정밀하게 수행할 수 있는가?
• RQ5 제안된 방법은 프린스턴 셰이프 벤치마크와 같은 표준 벤치마크 데이터셋에서 어떻게 성능을 발휘하는가?

주요 결과

• 형태 색인에서 유도된 의미 체계적 개념의 통합은 순수 기하학적 또는 키워드 기반 접근 방식에 비해 검색 정확도를 크게 향상시킨다.
• 온톨로지에 포함된 공간적 관계 모델링이 외관이 유사하지만 의미적으로 다른 3D 모델을 구분하는 데 효과적으로 기여한다.
• OWL 지식 기반 위에서 SPARQL 기반 쿼리를 사용하면 3D 모델 검색에 대해 효율적이고 표현력 있는 유사도 계산이 가능하다.
• k-means 군집화 접근법은 형태 및 기하 특징에 기반하여 3D 모델을 의미적으로 유의미한 범주로 그룹화하는 데 성공했다.
• 제안된 방법은 프린스턴 셰이프 벤치마크에서 뛰어난 성능을 기록하여 실제 검색 시나리오에서의 효과성을 입증했다.
• 저수준 특징과 고수준 개념을 연결함으로써 제안된 프레임워크는 3D 모델 검색의 의미 갭을 효과적으로 줄였다.