Z. Lian, A. Godil, B. Bustos, M. Daoudi, J. Hermans et al., SHREC'11 track : Shape retrieval on non-rigid 3D watertight meshes, Eurographics Workshop on 3D Object Retrieval, pp.79-88, 2011.

Z. Lian, J. Zhang, S. Choi, H. Elnaghy, J. El-sana et al., SHREC'15 Track : Non-rigid 3D Shape Retrieval, Eurographics Workshop on 3D Object Retrieval, 2015.
DOI : 10.1016/j.patcog.2012.07.014

URL : https://hal.archives-ouvertes.fr/hal-00746279/file/PR_Non_rigid.pdf

S. Biasotti, E. M. Thompson, M. Aono, A. B. Hamza, B. Bustos et al., AND OTHERS. Shrec'17 Track : Retrieval of surfaces with similar relief patterns, 10th Eurographics Workshop on 3D Object Retrieval, 2017.

S. Biasotti, A. Cerri, M. Abdelrahman, M. Aono, A. B. Hamza et al., SHREC'14 track : Retrieval and classification on textured 3D models, Proceedings of the Eurographics Workshop on 3D Object Retrieval, pp.111-120, 2014.
DOI : 10.1007/s00371-015-1146-3

URL : https://hal.archives-ouvertes.fr/hal-01250277/file/TVCsubmission%20%281%29.pdf

A. Bronstein, M. Bronstein, U. Castellani, A. Dubrovina, L. Guibas et al., Eurographics Workshop on 3D Object Retrieval, 2010.

X. Chen, A. Golovinskiy, and T. Funkhouser, A benchmark for 3D mesh segmentation, Acm transactions on graphics, vol.28, p.73, 2009.
DOI : 10.1145/1576246.1531379

U. Castellani, P. Mirtuono, V. Murino, M. Bellani, G. Rambaldelli et al., A new shape diffusion descriptor for brain classification, International Conference on Medical Image Computing and Computer-Assisted Intervention, pp.426-433, 2011.
DOI : 10.1007/978-3-642-23629-7_52

URL : https://link.springer.com/content/pdf/10.1007%2F978-3-642-23629-7_52.pdf

C. Samir, A. Srivastava, and M. Daoudi, Three-dimensional face recognition using shapes of facial curves, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.28, issue.11, pp.1858-1863, 2006.
DOI : 10.1109/tpami.2006.235

URL : https://hal.archives-ouvertes.fr/hal-01598218

A. Maalej, B. B. Amor, M. Daoudi, A. Srivastava, and S. Berretti, Shape analysis of local facial patches for 3D facial expression recognition, Pattern Recognition, vol.44, pp.1581-1589, 2011.
DOI : 10.1016/j.patcog.2011.02.012

URL : https://hal.archives-ouvertes.fr/hal-00661725

N. Gelfand, N. J. Mitra, L. J. Guibas, and H. Pottmann, Robust global registration, Symposium on geometry processing, vol.2, p.5, 2005.

C. Wang, M. M. Bronstein, A. M. Bronstein, and N. Paragios, Discrete minimum distortion correspondence problems for non-rigid shape matching
DOI : 10.1007/978-3-642-24785-9_49

URL : https://hal.archives-ouvertes.fr/inria-00498591

, International Conference on Scale Space and Variational Methods in Computer Vision, pp.580-591, 2011.

N. J. Mitra, L. J. Guibas, J. Giesen, and M. Pauly, Probabilistic fingerprints for shapes, Symposium on Geometry Processing, pp.121-130, 2006.

A. M. Bronstein, M. M. Bronstein, L. J. Guibas, and M. Ovsjanikov, Shape google : Geometric words and expressions for invariant shape retrieval, ACM Transactions on Graphics (TOG), vol.30, p.1, 2011.

P. Skraba, M. Ovsjanikov, F. Chazal, and L. Guibas, Persistence-based segmentation of deformable shapes, Computer Vision and Pattern Recognition Workshops (CVPRW), pp.45-52, 2010.
DOI : 10.1109/cvprw.2010.5543285

URL : https://hal.archives-ouvertes.fr/hal-00772475

Y. Fang, M. Sun, M. Kim, and K. Ramani, Heat-mapping : A robust approach toward perceptually consistent mesh segmentation, Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on, pp.2145-2152, 2011.

C. Li and A. B. Hamza, Skeleton path based approach for nonrigid 3D shape analysis and retrieval, International Workshop on Combinatorial Image Analysis, pp.84-95, 2011.

W. Mohamed and A. B. Hamza, Reeb graph path dissimilarity for 3D object matching and retrieval. the visual computer, vol.28, pp.305-318, 2012.

D. Chen, X. Tian, Y. Shen, and M. Ouhyoung, On visual similarity based 3D model retrieval, Computer graphics forum, vol.22, pp.223-232, 2003.

R. Ohbuchi and T. Furuya, Distance metric learning and feature combination for shape-based 3D model retrieval, Proceedings of the ACM workshop on 3D object retrieval, pp.63-68, 2010.

J. Sun, M. Ovsjanikov, and L. Guibas, A Concise and Provably Informative Multi-Scale Signature Based on Heat Diffusion, Computer graphics forum, vol.28, pp.1383-1392, 2009.

M. Aubry, U. Schlickewei, and D. Cremers, The wave kernel signature : A quantum mechanical approach to shape analysis, Computer Vision Workshops (ICCV Workshops, pp.1626-1633, 2011.

I. Kokkinos, M. Bronstein, and A. Yuille, Dense scale invariant descriptors for images and surfaces, INRIA, 2012.
URL : https://hal.archives-ouvertes.fr/hal-00682775

R. M. Rustamov, Laplace-Beltrami eigenfunctions for deformation invariant shape representation, Proceedings of the fifth Eurographics symposium on Geometry processing, pp.225-233, 2007.

M. Reuter, F. Wolter, and N. Peinecke, Laplace-Beltrami spectra as 'Shape-DNA'of surfaces and solids, Computer-Aided Design, vol.38, issue.4, pp.342-366, 2006.

A. Shtern and R. Kimmel, Spectral gradient fields embedding for nonrigid shape matching, Computer Vision and Image Understanding, vol.140, pp.21-29, 2015.

A. M. Bronstein, M. M. Bronstein, and R. Kimmel, Numerical geometry of non-rigid shapes, 2008.

H. Krim and A. B. Hamza, Geometric methods in signal and image analysis, 2015.

M. Reuter, F. Wolter, and N. Peinecke, Laplace-spectra as fingerprints for shape matching, Proceedings of the 2005 ACM symposium on Solid and physical modeling, pp.101-106, 2005.

D. G. Lowe, Object recognition from local scale-invariant features, The proceedings of the seventh IEEE international conference on, vol.2, pp.1150-1157, 1999.

M. Meyer, M. Desbrun, P. Schröder, and A. H. Barr, Discrete differential-geometry operators for triangulated 2-manifolds, Visualization and mathematics III, pp.35-57, 2003.

M. S. Floater, Mean value coordinates, Computer aided geometric design, vol.20, pp.19-27, 2003.

M. Belkin, J. Sun, and Y. Wang, Constructing Laplace operator from point clouds in R d, Proceedings of the twentieth annual ACM-SIAM symposium on Discrete algorithms, pp.1031-1040, 2009.

A. M. Bronstein, Spectral descriptors for deformable shapes, 2011.

S. E. Naffouti, Y. Fougerolle, A. Sakly, and F. Mériaudeau, An advanced global point signature for 3D shape recognition and retrieval. Signal Processing, Image Communication, vol.58, pp.228-239, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01620322

S. E. Naffouti, Y. Fougerolle, I. Aouissaoui, A. Sakly, and F. Mériau-deau, Heuristic optimization-based wave kernel descriptor for deformable 3D shape matching and retrieval. Signal, Image and Video Processing, vol.12, pp.915-923, 2018.
DOI : 10.1007/s11760-018-1235-7

URL : https://hal.archives-ouvertes.fr/hal-01793268

S. E. Naffouti, I. Aouissaoui, Y. Fougerolle, A. Sakly, and F. Mériau-deau, Enhancement and assessment of WKS variance parameter for intelligent 3D shape recognition and matching based on MPSO, 4th International Conference on Control Engineering & Information Technology (CEIT), pp.1-6, 2016.
DOI : 10.1109/ceit.2016.7929021

URL : https://hal.archives-ouvertes.fr/hal-01484140

J. A. Bondy, U. S. Murty, and . Others, Graph theory with applications, vol.290, 1976.

D. B. West and . Others, Introduction to graph theory, vol.2, 2001.

A. E. Brouwer and W. H. Haemers, Spectra of graphs, 2011.

F. R. Chung, Spectral graph theory. No. 92, 1997.

M. Fiedler, Algebraic connectivity of graphs, Czechoslovak mathematical journal, vol.23, pp.298-305, 1973.

F. Fouss, A. Pirotte, J. Renders, and M. Saerens, Random-walk computation of similarities between nodes of a graph with application to collaborative recommendation, IEEE Transactions on knowledge and data engineering, vol.19, pp.355-369, 2007.

R. Osada, T. Funkhouser, B. Chazelle, and D. Dobkin, Matching 3D models with shape distributions, SMI 2001 International Conference On, pp.154-166, 2001.
DOI : 10.1109/sma.2001.923386

URL : http://knight.cis.temple.edu/~lakaemper/courses/cis595_2004/papers/osada3d.pdf

M. Kazhdan, T. Funkhouser, and S. Rusinkiewicz, Rotation invariant spherical harmonic representation of 3D shape descriptors, Symposium on geometry processing, vol.6, pp.156-164, 2003.

M. Belkin, P. Niyogi, and V. Sindhwani, Manifold regularization : A geometric framework for learning from labeled and unlabeled examples, Journal of machine learning research, vol.7, pp.2399-2434, 2006.

B. Lévy, Laplace-beltrami eigenfunctions towards an algorithm that" understands" geometry, Shape Modeling and Applications, 2006. SMI 2006. IEEE International Conference on, pp.13-13, 2006.

M. Masoumi and A. B. Hamza, Spectral shape classification : A deep learning approach, Journal of Visual Communication and Image Representation, vol.43, pp.198-211, 2017.
DOI : 10.1016/j.jvcir.2017.01.001

E. Rodola, L. Cosmo, O. Litany, M. Bronstein, A. Bronstein et al., SHREC'17 : Deformable Shape Retrieval with Missing Parts, Proceedings of the Eurographics Workshop on 3D Object Retrieval, pp.23-24, 2017.

A. J. Chaudhari, R. M. Leahy, B. L. Wise, N. E. Lane, R. D. Badawi et al., Global point signature for shape analysis of carpal bones, Physics in medicine and biology, vol.59, p.961, 2014.
DOI : 10.1088/0031-9155/59/4/961

URL : http://europepmc.org/articles/pmc3966902?pdf=render

K. Tarmissi and A. B. Hamza, Information-theoretic hashing of 3D objects using spectral graph theory, Expert Systems with Applications, vol.36, pp.9409-9414, 2009.
DOI : 10.1016/j.eswa.2008.12.062

Z. Gao, Z. Yu, and X. Pang, A compact shape descriptor for triangular surface meshes, Computer-Aided Design, vol.53, pp.62-69, 2014.
DOI : 10.1016/j.cad.2014.03.008

URL : http://europepmc.org/articles/pmc4041874?pdf=render

K. Gebal, J. Baerentzen, H. Aanaes, and R. Larsen, Shape Analysis Using the Auto Diffusion Function, Proceedings of the Symposium on Geometry Processing, pp.1405-1413, 2009.

Y. Fang, M. Sun, and K. Ramani, Temperature distribution descriptor for robust 3D shape retrieval, Computer Vision and Pattern Recognition Workshops, pp.9-16, 2011.
DOI : 10.1109/cvprw.2011.5981684

URL : https://engineering.purdue.edu/PRECISE/Publications/temperature-distribution-descriptor-for-robust-3d-shape-retrieval/TD.pdf

Z. Lian, A. Godil, B. Bustos, M. Daoudi, J. Hermans et al., A comparison of methods for non-rigid 3D shape retrieval, Pattern Recognition, vol.46, pp.449-461, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00746279

C. Li and A. B. Hamza, Spatially aggregating spectral descriptors for nonrigid 3D shape retrieval : a comparative survey, Multimedia Systems, vol.20, pp.253-281, 2014.
DOI : 10.1007/s00530-013-0318-0

S. Rosenberg, The Laplacian on a Riemannian manifold : an introduction to analysis on manifolds, vol.31, 1997.
DOI : 10.1017/cbo9780511623783

O. Sorkine, Differential representations for mesh processing, Computer Graphics Forum, vol.25, pp.789-807, 2006.
DOI : 10.1111/j.1467-8659.2006.00999.x

G. Taubin, A signal processing approach to fair surface design, Proceedings of the 22nd annual conference on Computer graphics and interactive techniques, pp.351-358, 1995.
DOI : 10.1145/218380.218473

M. Wardetzky, S. Mathur, F. Kälberer, and E. Grinspun, Discrete Laplace operators : no free lunch, Symposium on Geometry processing, pp.33-37, 2007.
DOI : 10.1145/1508044.1508063

M. Belkin, J. Sun, and Y. Wang, Discrete laplace operator on meshed surfaces, Proceedings of the twenty-fourth annual symposium on Computational geometry, pp.278-287, 2008.
DOI : 10.1145/1377676.1377725

URL : http://www.cse.ohio-state.edu/~mbelkin/papers/DLMS_SOCG_08.pdf

K. Hildebrandt and K. Polthier, On approximation of the LaplaceBeltrami operator and the Willmore energy of surfaces, Computer Graphics Forum, vol.30, pp.1513-1520, 2011.

M. Reuter, Hierarchical Shape Segmentation and Registration via Topological Features of Laplace-Beltrami Eigenfunctions, International Journal of Computer Vision, vol.89, pp.287-308, 2010.
DOI : 10.1007/s11263-009-0278-1

URL : http://reuter.mit.edu/lcount/click.php?id=9

M. Reuter, S. Biasotti, D. Giorgi, G. Patanè, and M. Spagnuolo, Discrete Laplace-Beltrami operators for shape analysis and segmentation, Computers & Graphics, vol.33, pp.381-390, 2009.
DOI : 10.1016/j.cag.2009.03.005

URL : http://reuter.mit.edu/lcount/click.php?id=8

H. Zhang, O. Van-kaick, and R. Dyer, Spectral mesh processing, Computer graphics forum, vol.29, pp.1865-1894, 2010.

M. Chang and B. B. Kimia, Measuring 3D shape similarity by graphbased matching of the medial scaffolds, Computer Vision and Image Understanding, vol.115, pp.707-720, 2011.

I. Kokkinos, M. M. Bronstein, R. Litman, and A. M. Bronstein, Intrinsic shape context descriptors for deformable shapes, Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on, pp.159-166, 2012.
DOI : 10.1109/cvpr.2012.6247671

URL : https://hal.archives-ouvertes.fr/hal-00857572

K. Zou, Z. Zhang, J. Zhang, and Q. Zhang, A 3D model feature extraction method using curvature-based shape distribution, Fuzzy Systems and Knowledge Discovery (FSKD), pp.1809-1813, 2015.
DOI : 10.1109/fskd.2015.7382221

B. Mokhtari, Appariement de formes, recherche par forme clef, 2016.
URL : https://hal.archives-ouvertes.fr/tel-01803411

H. Wu and H. Zha, Robust consistent correspondence between 3D nonrigid shapes based on "Dual Shape-DNA, Computer Vision (ICCV), 2011.
DOI : 10.1109/iccv.2011.6126292

, IEEE International Conference on, pp.587-594, 2011.

V. Jain and H. Zhang, A spectral approach to shape-based retrieval of articulated 3D models, Computer-Aided Design, vol.39, pp.398-407, 2007.

E. B. Davies and Y. Safarov, Spectral theory and geometry, vol.273, 1999.

A. Vaxman, M. Ben-chen, and C. Gotsman, A multi-resolution approach to heat kernels on discrete surfaces, In ACM Transactions on Graphics (TOG), vol.29, p.121, 2010.
DOI : 10.1145/1833351.1778858

D. Raviv, M. M. Bronstein, A. M. Bronstein, and R. Kimmel, Volumetric heat kernel signatures, Proceedings of the ACM workshop on 3D object retrieval, pp.39-44, 2010.
DOI : 10.1145/1877808.1877817

URL : http://www.cs.technion.ac.il/~ron/PAPERS/RavBroBroKim3DOR2010.pdf

M. M. Bronstein and I. Kokkinos, Scale-invariant heat kernel signatures for non-rigid shape recognition, Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, pp.1704-1711, 2010.
URL : https://hal.archives-ouvertes.fr/hal-00859448

F. Zeng, J. Qian, Y. Zhou, C. Yuan, and C. Wu, Improved ThreeDimensional Model Feature of Non-rigid Based on HKS, International Conference on Smart Computing and Communication, pp.427-437, 2017.

P. Shilane, P. Min, M. Kazhdan, and T. Funkhouser, The princeton shape benchmark, Shape modeling applications, pp.167-178, 2004.

C. Li and A. B. Hamza, A multiresolution descriptor for deformable 3D shape retrieval, The Visual Computer, vol.29, pp.513-524, 2013.

M. Masoumi, C. Li, and A. B. Hamza, A spectral graph wavelet approach for nonrigid 3D shape retrieval, Pattern Recognition Letters, vol.83, pp.339-348, 2016.

J. Ye and Y. Yu, A fast modal space transform for robust nonrigid shape retrieval, The Visual Computer, vol.32, pp.553-568, 2016.

P. Li, H. Ma, and A. Ming, A non-rigid 3D model retrieval method based on scale-invariant heat kernel signature features, Multimedia Tools and Applications, vol.76, pp.10207-10230, 2017.

W. Mohamed and A. B. Hamza, Deformable 3D shape retrieval using a spectral geometric descriptor, Applied Intelligence, vol.45, pp.213-229, 2016.

R. Han, Computing Shape DNA using the closest point method, 2018.

S. J. Ruuth and B. Merriman, A simple embedding method for solving partial differential equations on surfaces, Journal of Computational Physics, vol.227, pp.1943-1961, 2008.

H. Zhang and R. Liu, Mesh segmentation via recursive and visually salient spectral cuts, Proc. of vision, modeling, and visualization, pp.429-436, 2005.

M. Carcassoni and E. R. Hancock, Spectral correspondence for point pattern matching, Pattern Recognition, vol.36, pp.193-204, 2003.

V. Jain and H. Zhang, Robust 3D shape correspondence in the spectral domain, Shape Modeling and Applications, 2006. SMI 2006. IEEE International Conference on, pp.19-19, 2006.

P. Bérard, G. Besson, and S. Gallot, Embedding Riemannian manifolds by their heat kernel, Geometric & Functional Analysis GAFA, vol.4, pp.373-398, 1994.

G. H. Golub and C. F. Loan, Matrix Computations, 1996.

T. Windheuser, M. Vestner, E. Rodolà, R. Triebel, and D. Cremers, Optimal Intrinsic Descriptors for Non-Rigid Shape Analysis, BMVC, 2014.

M. Andreux, E. Rodola, M. Aubry, and D. Cremers, Anisotropic LaplaceBeltrami operators for shape analysis, European Conference on Computer Vision, pp.299-312, 2014.
URL : https://hal.archives-ouvertes.fr/hal-01057244

D. Boscaini, J. Masci, E. Rodolà, M. M. Bronstein, and D. Cremers, Anisotropic diffusion descriptors, Computer Graphics Forum, vol.35, pp.431-441, 2016.

R. Litman and A. M. Bronstein, Learning spectral descriptors for deformable shape correspondence, vol.36, pp.171-180, 2014.

J. Masci, E. Rodolà, D. Boscaini, M. M. Bronstein, and H. Li, Geometric deep learning, SIGGRAPH ASIA 2016 Courses, p.1, 2016.

R. Osada, T. Funkhouser, B. Chazelle, and D. Dobkin, Shape distributions, ACM Transactions on Graphics (TOG), vol.21, pp.807-832, 2002.

D. Smeets, T. Fabry, J. Hermans, D. Vandermeulen, and P. Suetens, Isometric deformation modelling for object recognition, International Conference on Computer Analysis of Images and Patterns, pp.757-765, 2009.

D. Pickup, X. Sun, P. L. Rosin, R. Martin, Z. Cheng et al., SHREC'14 track : Shape retrieval of non-rigid 3D human models, Proceedings of the 7th Eurographics workshop on 3D Object Retrieval, vol.1, p.6, 2014.

C. Li and A. B. Hamza, Intrinsic spatial pyramid matching for deformable 3d shape retrieval, International Journal of Multimedia Information Retrieval, vol.2, pp.261-271, 2013.

K. Pevzner, A. Sharf, and J. El-sana, Sphere intersection 3D shape descriptor (SID), Computer Aided Geometric Design, vol.38, pp.51-63, 2015.

M. Ovsjanikov, J. Sun, and L. Guibas, Global intrinsic symmetries of shapes, Computer graphics forum, vol.27, pp.1341-1348, 2008.

H. Dutagaci, C. Cheung, and A. Godil, Evaluation of 3D interest point detection techniques via human-generated ground truth, The Visual Computer, vol.28, pp.901-917, 2012.

C. H. Lee, A. Varshney, and D. W. Jacobs, Mesh saliency, ACM transactions on graphics (TOG) (2005), vol.24, pp.659-666

J. Novatnack and K. Nishino, Scale-dependent 3D geometric features, Computer Vision, 2007. ICCV 2007. IEEE 11th International Conference on, pp.1-8, 2007.

U. Castellani, M. Cristani, S. Fantoni, and V. Murino, Sparse points matching by combining 3D mesh saliency with statistical descriptors, Computer Graphics Forum, vol.27, pp.643-652, 2008.

I. Sipiran and B. Bustos, Harris 3D : a robust extension of the Harris operator for interest point detection on 3D meshes, The Visual Computer, vol.27, p.963, 2011.

A. Godil and A. I. Wagan, Salient local 3D features for 3D shape retrieval, Three-Dimensional Imaging, Interaction, and Measurement, vol.7864, p.78640, 2011.

C. Harris and M. Stephens, A combined corner and edge detector, Alvey vision conference, vol.15, pp.10-5244, 1988.

S. E. Naffouti, Y. Fougerolle, A. Sakly, and F. Mériaudeau, A more distinctive representation for 3D shape descriptors using principal component analysis, 16th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering, pp.410-416, 2015.

B. Li, T. Schreck, A. Godil, M. Alexa, T. Boubekeur et al., SHREC'12 Track : Sketch-Based 3D Shape Retrieval, vol.3, pp.109-118, 2012.

Z. Lian, A. Godil, T. Fabry, T. Furuya, J. Hermans et al., SHREC'10 Track : Non-rigid 3D Shape Retrieval, 3DOR, vol.10, pp.101-108, 2010.

K. Siddiqi, J. Zhang, D. Macrini, A. Shokoufandeh, S. Bouix et al., Retrieving articulated 3-D models using medial surfaces. Machine vision and applications, vol.19, pp.261-275, 2008.

J. Xie, F. Zhu, G. Dai, and Y. Fang, Progressive shape-distribution-encoder for 3D shape retrieval, Proceedings of the 23rd ACM international conference on Multimedia, pp.1167-1170, 2015.

Z. Han, Z. Liu, J. Han, C. Vong, S. Bu et al., Unsupervised 3D local feature learning by circle convolutional restricted Boltzmann machine, IEEE Transactions on Image Processing, vol.25, pp.5331-5344, 2016.

I. Sipiran, B. Bustos, T. Schreck, A. M. Bronstein, S. Choi et al., Scalability of non-rigid 3D shape retrieval, Proceedings of the 2015 Eurographics Workshop on 3D Object Retrieval, pp.121-128, 2015.

X. Wang, Y. Liu, and H. Zha, Intrinsic spin images : a subspace decomposition approach to understanding 3D deformable shapes, Proc. 3DPVT (2010), vol.10, pp.17-20

A. Elad and R. Kimmel, On bending invariant signatures for surfaces, IEEE Transactions, vol.25, pp.1285-1295, 2003.

H. Tabia, H. Laga, D. Picard, and P. Gosselin, Covariance descriptors for 3D shape matching and retrieval, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.4185-4192, 2014.
URL : https://hal.archives-ouvertes.fr/hal-01022970

R. Ohbuchi, K. Osada, T. Furuya, and T. Banno, Salient local visual features for shape-based 3D model retrieval, IEEE International Conference on, pp.93-102, 2008.

H. Tabia, D. Picard, H. Laga, and P. Gosselin, Compact vectors of locally aggregated tensors for 3D shape retrieval, Eurographics workshop on 3D object retrieval, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00807501

P. Papadakis, I. Pratikakis, T. Theoharis, G. Passalis, and S. Perantonis, 3D Object Retrieval using an Efficient and Compact Hybrid Shape Descriptor, Eurographics Workshop on 3D object retrieval, 2008.
URL : https://hal.archives-ouvertes.fr/hal-00758995

H. Dutagaci, C. P. Cheung, and A. Godil, Evaluation of 3D Interest Point Detection Techniques, Proceedings of the 4th Eurographics Conference on 3D Object Retrieval, pp.57-64, 2011.

Y. Yang, H. Lin, and Y. Zhang, Content-based 3-D model retrieval : A survey, IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol.37, pp.1081-1098, 2007.

A. D. Bimbo and P. Pala, Content-based retrieval of 3D models, ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), vol.2, pp.20-43, 2006.

J. W. Tangelder and R. C. Veltkamp, A survey of content based 3D shape retrieval methods, Shape Modeling Applications, pp.145-156, 2004.

B. Bustos, D. A. Keim, D. Saupe, T. Schreck, and D. V. Vrani´c, Featurebased similarity search in 3D object databases, ACM Computing Surveys (CSUR), vol.37, pp.345-387, 2005.

M. Ovsjanikov, A. M. Bronstein, M. M. Bronstein, and L. J. Guibas, Shape google : a computer vision approach to isometry invariant shape retrieval, 2009 IEEE 12th International Conference on, pp.320-327, 2009.

L. Qu, G. Zhao, B. Yao, and Y. Li, Visual tracking with genetic algorithm augmented logistic regression. Signal, Image and Video Processing, pp.1-8, 2017.

J. Kennedy, Particle swarm optimization. In Encyclopedia of machine learning, pp.760-766, 1995.

K. Du and M. Swamy, Particle swarm optimization, Search and Optimization by Metaheuristics, pp.153-173, 2016.

K. Du and M. Swamy, Ant Colony Optimization, Search and Optimization by Metaheuristics, pp.191-199, 2016.

A. Ladgham, F. Hamdaoui, A. Sakly, and A. Mtibaa, Fast MR brain image segmentation based on modified Shuffled Frog Leaping Algorithm. Signal, Image and Video Processing, vol.9, pp.1113-1120, 2015.

G. Wu, D. Qiu, Y. Yu, W. Pedrycz, M. Ma et al., Superior solution guided particle swarm optimization combined with local search techniques, Expert Systems with Applications, vol.41, pp.7536-7548, 2014.

S. Wang and M. Yeh, A modified particle swarm optimization for aggregate production planning, Expert Systems with Applications, vol.41, pp.3069-3077, 2014.

J. Wan, D. Wang, S. C. Hoi, P. Wu, J. Zhu et al., Deep learning for content-based image retrieval : A comprehensive study, Proceedings of the 22nd ACM international conference on Multimedia, pp.157-166, 2014.

G. E. Hinton, S. Osindero, and Y. Teh, A fast learning algorithm for deep belief nets, Neural computation, vol.18, issue.7, pp.1527-1554, 2006.

R. Salakhutdinov and H. Larochelle, Efficient learning of deep Boltzmann machines, Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, pp.693-700, 2010.

S. Ji, W. Xu, M. Yang, and K. Yu, 3D convolutional neural networks for human action recognition, vol.35, pp.221-231, 2013.

G. Hinton, L. Deng, D. Yu, G. E. Dahl, A. Mohamed et al., Deep neural networks for acoustic modeling in speech recognition : The shared views of four research groups, IEEE Signal Processing Magazine, vol.29, pp.82-97, 2012.

. Illustration-sur-le-modèle-centaure, AGPS reste similaire sous diverses poses et perturbations puisque le descripteur est quasi invariant aux dé-formations isométriques et semi-rigides et au bruit. La recherche de forme est simplement réalisée en utilisant la similarité d'histogramme après la quantification d'AGPS sur tous les points du maillage. Dans toutes nos figures, les couleurs bleues et rouges représentent les faibles et importantes valeurs calculées par AGPS pour tous les points de la forme, p.27

, Pipeline du cadre de recherche de formes basé sur, p.29

, En bas à droite : transformation de domaine fréquentiel donnant une représentation d'image

, Déformations colonne par colonne du (b, g) au (e, j) sont ; changement de pose, un nouveau changement de pose, gonflement et ajout de bruit, respectivement ; les vues agrandies montrent la différence entre les formes avant et après l'ajout de bruit, p.32

, AGPS (s) effectué pour les 50 plus petites valeurs propres sur les modèles de l'Araignée, la main, et l'Icosaèdre. Les valeurs d'AGPS (s) augmentent à mesure que la couleur passe du bleu au rouge, La signature de point globale avancée

, Le nombre de points d'intérêts détectés est 10, 6 et 5 respectivement pour chaque pose du modèle d'Eléphant, de Chat et d'homme, Consistance de la méthode de détection des maxima locaux (points rouges) basée sur AGPS

, Pour les k = 50 couples propres, le nombre j utilisé pour représen-ter les formes de gauche à droite est j = 1, 3, 4, 8 et j = 20, respectivement. Le premier point de la courbe qui atteint un seuil de 98% de l'énergie suggère que j = 8 comme nombre minimal de valeurs propres qui doit être utilisé pour une représentation consistente de forme sur le plan perceptuel. En bas : la comparaison entre l'AGPS normalisés pour un certain nombre de valeurs propres utilisées. On observe que l'écart entre les deux courbes devient marginal dès que j = 8, En haut : la distribution de l'énergie en fonction du nombre de valeurs propres

, Exemples de formes de SHREC-2012 (en haut) et SHREC-2015 (en bas), p.39

, 40 3.11 Exemples de récupération de formes utilisant le descripteur AGPS comme vecteur de caractéristiques. Les formes 3D dans la première colonne sont des requêtes d'entrée, et celles de droite sont les six premiers résultats récupérés pour chaque requête. Les modèles récupérés sont classés de gauche à droite en, A gauche : les points caractéristiques détectés sur quatre poses du modèle de femme. A droite : Les valeurs normalisées des points caractéristiques basées sur leur AGPS tracées en fonction de leur indice, p.41

, Courbes précision-rappel pour la comparaison des descripteurs sous la base de données combinée

, Exemples de formes 3D à partir de la base de donnée McGill, Seules deux formes articulées sont représentées dans chacune des 10 classes d'objets, p.44

P. Courbes and . /r-de-notre-méthode, AGPS) et six autres approches évaluées pour les parties articulées de la base de données McGill, p.45

, De gauche à droite : vérité terrain, AGPS, Mesh Saliency, Salient points, 3D-Harris, 3D-SIFT et SD-corners

, Erreur de faux négatifs (côté gauche) et erreur de faux positifs (côté droit) de tous les algorithmes. Relevé de terrain obtenu avec ? = 0

, Illustration des filtres passe-bas (e ?? k t ) du HKS appliqués au spectre de forme. Nous montrons les fréquences 20, vol.30

, Illustration des filtres passe-bande ( f E (? k )) du WKS appliqués au spectre de forme. Nous montrons les fréquences 20, vol.30

, et de la signature optimisée du noyau d'onde (troisième colonne) sur deux poses du modèle d'éléphant (première colonne) en trois points différents (marqués en rouge, vert, et blue). Les lignes pleines et pointillées représentent respectivement la forme en haut et en bas. Chaque signature est calculée sur e = 100 échelles d'énergie

, Les valeurs d'onde sur chaque point de la forme changent en fonction du paramètre d'énergie dans WKS (s, e), La distribution de l'onde sur une échelle d'énergie croissante. Les couleurs vont du bleu (valeurs basses) au rouge (valeurs élevées)

, La distribution des ondes dans l'énergie correspond au comportement montré dans la Fi

, Optimisation par essaim de particules : le déplacement des essaims, p.56

.. .. Organigramme-de-la-méthode-proposée,

, Affichage de formes 3D à partir de la base de donnée SHREC-2015, p.59

, Evolution de MPSO pour déterminer ? opt . (c-d) : Plongement CMDS des points caractéristiques en fonction de leur WKS pour ? = 7 et en fonction de leur OWKS (s, e 1 ) pour ? opt = 14.03. La couleur de chaque point projeté sur le plan 2D correspond à la pose à partir de laquelle il est pris, Points caractéristiques détectés sur les quatre poses de l'Armadillo

. .. Owks, La projection CMDS des similitudes de forme calculées en utilisant, respectivement de gauche à droite, p.61

P. Courbes, R moyennes de notre descripteur OWKS par rapport aux autres approches appliqués sur la base de donnée SHREC-2015, p.64

, Représentation 3D de l'os carpien gauche pour un homme en bonne santé, p.69

. Liste and . Tables,

, AGPS et autres méthodes de plongement spectral et signatures de formes, p.31

, 2 Duo CPU et 3G RAM. Les troisième, quatrième, cinquième et sixième colonnes montrent le temps (en seconde) de construction de la matrice Laplacienne, la résolution des paires propres, le calcul de l'AGPS et du GPS à tous les points avec k = 50, Temps de calculs pour AGPS et GPS sur un ordinateur de 2 GHz

. Résultats-de-recherche-pour-le-modèle-de-la-lunette, G. Du-poulpe-utilisant-notre-algorithme, . Hks, and . Hms, La couleur jaune indique les récupé-rations correctes

R. De, Chaque cellule montre la mesure de similarité moyenne d c (H 1 , H 2 ) entre deux objets, Chaque objet est comparé à tous les autres objets de la base de données SHREC-2012 et SHREC-2015

, Comparaison des résultats de récupération par notre méthode (dernière rangée) avec l'état de l'art sur l'ensemble de la base de données combinée. Les chiffres en gras indiquent les meilleurs résultats de récupération, p.43

R. De, Chaque cellule montre la mesure de similarité moyenne d c (H 1 , H 2 ) entre deux objets, p.44

, Comparaison des résultats de récupération de notre méthode (première rangée) avec l'état de l'art sur la base de données McGill. Les chiffres en gras indiquent les meilleurs résultats de récupération, p.45

. .. , Valeurs des paramètres recommandées pour MPSO, p.58

, 2 Duo CPU et 3G RAM. Les troisième, quatrième, cinquième et sixième colonnes montrent le temps (en seconde) de construction de la matrice Laplacienne, la résolution des paires propres, le calcul du WKS et du OWKS à tous les points avec k = 300, Temps de calculs pour WKS et OWKS sur un ordinateur de 2 GHz

, Comparaison entre les valeurs de la fonction fitness et les valeurs de la variance avant et après l'optimisation, p.61

, Comparaison entre les distances inter-classe et intra-classe avant et après l'invocation de MPSO. Contrairement à WKS, OWKS conduit à une faible dispersion intra-classe et une grande dispersion extra-classe, p.61

, Lunette et Poulpe) par notre méthode OWKS, WKS, GPS et HKS. La couleur jaune de la forme indique les récupérations correctes, Résultats de recherche pour deux modèles de références

, Chaque forme est mise en correspondance avec toutes les autres formes de la base de données. Chaque cellule montre la mesure de dissimilarité entre deux formes sélectionnées dans la base de données. La plus petite valeur correspond au meilleur appariement, Correspondance avant et après l'optimisation de WKS, sous SHREC-2015, p.63

. .. , comparée à l'état de l'art sur la base de données SHREC-2015. Les chiffres en gras indiquent les meilleurs résultats de récupération