مدل سازی توپولوژی اجسام تغییرشکل پذیر به کمک شبکه عصبی گازی رشدیابنده

این مقاله روشی را برای بهبود عملکرد شبکه عصبی گازی رشدیابنده یا به اختصار GNG در مدل سازی توپولوژی اجسام تغییرشکل پذیر ارائه می دهد. با اعمال این روش بر داده های بدست آمده از تصاویر ویدوئی، یک گراف بدون جهت تشکیل شده که از آن در کاربردهای رباتیکی برای شناسایی اجسام میتوان استفاده نمود تا کارهایی از قبیل گرفتن و رها کردن جسم و یا حتی تغییرشکل دادن آن با سرعت و دقت بیشتری قابل پیش بینی باشد. این الگوریتم در ابتدا یک گراف اولیه از جسم را بوجود می آورد که فرایندی زمانبر است، اما در مراحل بعدی و پس از وارد کردن ابر نقاط جسم پس از تغییرشکل در کمتر از یک ثانیه می تواند گرافی بهینه و منظم را تشکیل دهد. خصوصیت اصلی این گراف این است که نودها پس از تغییر شکل جسم از بین نمی روند بلکه نسبت به شکل جدید جایگاه شان بروزرسانی می شود.نتایج مدل سازی توپولوژی سیب در تغییر شکل های مختلف توسط این الگوریتم ارائه و سرعت و دقت آن با روش پایه ی GNG مقایسه شده است.

Keywords:

شبکه عصبی گازی رشدیابنده , شناسایی اجسام , بینایی ماشین , یادگیری ماشین , ربات