Komprese konektivity trojúhelníkových sítí se známou geometrií s využitím neuronových sítí

Havlík, Viktor

Komprese konektivity trojúhelníkových sítí se známou geometrií s využitím neuronových sítí

dc.contributor.advisor	Hácha Filip, Ing.
dc.contributor.author	Havlík, Viktor
dc.contributor.referee	Káčereková Zuzana, Ing.
dc.date.accepted	2024-6-11
dc.date.accessioned	2024-07-12T09:13:02Z
dc.date.available	2023-10-2
dc.date.available	2024-07-12T09:13:02Z
dc.date.issued	2024
dc.date.submitted	2024-5-2
dc.description.abstract	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.	cs
dc.description.abstract-translated	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.	en
dc.description.result	Obhájeno
dc.format	63 s. (80 000 znaků)
dc.identifier	96951
dc.identifier.uri	http://hdl.handle.net/11025/57091
dc.language.iso	cs
dc.publisher	Západočeská univerzita v Plzni
dc.rights	Plný text práce je přístupný bez omezení
dc.subject	komprese	cs
dc.subject	konektivita	cs
dc.subject	neuronová síť	cs
dc.subject	trojúhelníkové sítě	cs
dc.subject	strojové učení	cs
dc.subject.translated	compression	en
dc.subject.translated	connectivity	en
dc.subject.translated	neural network	en
dc.subject.translated	triangle meshes	en
dc.subject.translated	machine learning	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-level	Bakalářský
dc.thesis.degree-name	Bc.
dc.thesis.degree-program	Informatika a výpočetní technika
dc.title	Komprese konektivity trojúhelníkových sítí se známou geometrií s využitím neuronových sítí	cs
dc.title.alternative	Connectivity compression of triangle meshes with known connectivity using neural networks	en
dc.type	bakalářská práce