Název: | Komprese konektivity trojúhelníkových sítí se známou geometrií s využitím neuronových sítí |
Další názvy: | Connectivity compression of triangle meshes with known connectivity using neural networks |
Autoři: | Havlík, Viktor |
Vedoucí práce/školitel: | Hácha Filip, Ing. |
Oponent: | Káčereková Zuzana, Ing. |
Datum vydání: | 2024 |
Nakladatel: | Západočeská univerzita v Plzni |
Typ dokumentu: | bakalářská práce |
URI: | http://hdl.handle.net/11025/57091 |
Klíčová slova: | komprese;konektivita;neuronová síť;trojúhelníkové sítě;strojové učení |
Klíčová slova v dalším jazyce: | compression;connectivity;neural network;triangle meshes;machine learning |
Abstrakt: | Tato bakalářská práce se zabývá tématem komprese konektivity trojúhelníkových sítí a problematikou s ní spojenou. Práce navazuje na již existující, velice efektivní metodu založenou na principu kandidátních vrcholů a dává si za cíl její další zefektivnění. Toho se snaží dosáhnout za pomoci strojového učení. Práce se tak zaměřuje na několik klíčových částí původní metody a ty nahrazuje modelem umělé neuronové sítě. Cílem je zjistit, jak efektivně je model schopen, oproti statickým vzorcům výchozí metody, predikovat konektivitu trojúhelníkové sítě a zda-li tento přístup může vést k požadovanému zlepšení. Jak získané výsledky naznačují, je tomu skutečně tak a metoda s využitím neuronové sítě byla schopna dosáhnout signifikantního zlepšení. |
Abstrakt v dalším jazyce: | This bachelor's thesis addresses the topic of triangle mesh connectivity compression and the related issues. The work builds upon already existing, highly efficient method based on the principle of candidate vertices and aims for its even further optimization. It attempts to achieve this through the use of machine learning. Thus, the thesis focuses on several key parts of the existing method, which it then substitutes with a model of the neural network. The goal is to determine how effectively the model can predict triangle mesh connectivity compared to the static formulas used by the reference method and whether this approach can lead to the desired improvement. As the results indicate, this is indeed the case, and the method using the neural network was able to achieve significant improvement. |
Práva: | Plný text práce je přístupný bez omezení |
Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KIV) |
Soubory připojené k záznamu:
Soubor | Popis | Velikost | Formát | |
---|---|---|---|---|
A21B0124P.pdf | Plný text práce | 14,09 MB | Adobe PDF | Zobrazit/otevřít |
A21B0124P_Hodnoceni.pdf | Posudek vedoucího práce | 136,42 kB | Adobe PDF | Zobrazit/otevřít |
A21B0124P_Posudek.pdf | Posudek oponenta práce | 127,14 kB | Adobe PDF | Zobrazit/otevřít |
A21B0124P_Obhajoba.pdf | Průběh obhajoby práce | 82,26 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/57091
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.