Learning 3D Representations at High Resolution

U sklopu završnog rada predstavili smo dvije podatkovne strukture za pohranjivanje 3D objekata – Voksel i Octree te predstavljene su prednosti i mane korištenje obje podatkovne strukture. Nakon kratkog predstavljanja softverske podrške i skupa podataka nad kojiim se vrši treniranje mreže, opisan je puni proces treniranja konvolucijske neuronske mreže za klasifikaciju 3D objekata sa vokselima kao ulaznim podatcima. Potom su rezultati testiranja i validacije dobivene mreže uspoređeni sa rezultatima OctNet neuronske mreže te je donesen zaključak o učinkovitosti navedenih podatkovnih struktura.We present two different data structure representationes of 3D objects – Voxels and Octrees, and detail the pros and cons of both representations. After a short introduction of the software used in the scope of the project and the dataset used as the training and test dataset in our deep learning neural network, we present the full process of training a convolutional neural network for 3D classification with the voxel representations of the original dataset. Afterwards, the training and validation results are taken into consideration and a conclusion on the effectiveness of both 3D representations is drawn