@techreport{oai:ipsj.ixsq.nii.ac.jp:00189994,
 author = {上西, 和樹 and 古屋, 貴彦 and 大渕, 竜太郎},
 issue = {5},
 month = {Jun},
 note = {3 次元形状データを効率的に管理するため，形の類似性に基づいてこれら 3 次元形状を比較，検索，分類する手法への要求が高まっている．近年提案された 3 次元形状を処理する深層ニューラルネットワーク (DNN) の多くは，3 次元形状とこれに付与されたラベルの対応を教師付き学習することで，高精度な形状特徴量を獲得する．しかし，人手によるラベル付けには手間がかかるため，実際の 3 次元形状データの多くはラベルを持たない．このため，ラベルなしの 3 次元形状データから高精度な形状特徴量を獲得する手法が望まれている．本研究では，教師なし学習の一種である敵対的生成ネットワーク (GAN) を用いた 3 次元形状特徴量を提案する．提案する点群 GAN 法は，3 次元点群を生成する DNN (生成 DNN)と，3 次元点群の本物らしさを予測する DNN (判別 DNN) とを互いに競わせながら訓練する過程で，3 次元点群の形状特徴を捉える能力を判別 DNN に獲得させる．3 次元モデルの形状類似検索のシナリオで評価した結果，判別 DNN が獲得した形状特徴量は，既存の手作り形状特徴量よりも高精度に 3 次元形状を比較できることが分かった．},
 title = {敵対的生成ネットワークを用いた，3次元点群形状特徴量の教師なし学習},
 year = {2018}
}