Object Classification via Planar Abstraction

Classification d’objets par abstraction planaire

Sven Oesau (1) , Florent Lafarge (1) , Pierre Alliez (1)

1 TITANE - Geometric Modeling of 3D Environments

We present a supervised machine learning approach for classification of objects from sampled point data. The main idea consists in first abstracting the input object into planar parts at several scales, then discriminate between the different classes of objects solely through features derived from these planar shapes. Abstracting into planar shapes provides a means to both reduce the computational complexity and improve robustness to defects inherent to the acquisition process. Measuring statistical properties and relationships between planar shapes offers invariance to scale and orientation. A random forest is then used for solving the multiclass classification problem. We demonstrate the potential of our approach on a set of indoor objects from the Princeton shape benchmark and on objects acquired from indoor scenes and compare the performance of our method with other point-based shape descriptors.

Nous introduisons une approche par apprentissage supervisée pour classifier des objets à partir de points échantillonnés dans l’espace. L’idée principale consiste à approximer l’objet initial en parties planaires à différentes échelles, pour ensuite distinguer les différentes classes d’objets sans tenir compte des points échantillonnées. L’abstraction en formes planaires est un moyen à la fois de réduire la complexité algorithmique de l’analyse, et d’améliorer la robustesse aux défauts de mesures dans le processus d’acquisition des données. Mesurer des propriétés statistiques et des relations entre formes planaires offre une invariance à l’échelle et à l’orientation. L’algorithme Random Forest est utilisé pour résoudre le problème de classification multi-classe. Nous démontrons le potentiel de notre approche sur un ensemble d’objet de scène d’intérieur en utilisant plusieurs benchmarks et en comparant les performances avec des méthodes basées sur des descripteurs locaux de points.

Mots clés: machine learning; planar abstraction; object classification

Mots clés: classification d’objets; abstraction planaire; apprentissage supervisée

Domaines: Géométrie algorithmique [cs.CG]; Intelligence artificielle [cs.AI]; Vision par ordinateur et reconnaissance de formes [cs.CV]

Sven Oesau, Florent Lafarge, Pierre Alliez. Object Classification via Planar Abstraction. [Research Report] RR-8782, INRIA Sophia Antipolis - Méditerranée. 2015, pp.14. ⟨hal-01207676v2⟩