Методы сегментации 3D объектов в облаке точек
Аннотация
Структура и объём работы. Выпускная квалификационная работа состоит из введения, 3 глав, заключения и приложения, изложенных на 58 страницах, а также библиографического списка. В работе имеется 17 рисунков и 2 таблицы. Библиографический список состоит из 39 наименований.
Ключевые слова: СЕГМЕНТАЦИЯ 3D ОБЪЕКТОВ, СЕГМЕНТАЦИЯ ТРЁХМЕРНЫХ ОБЪЕКТОВ, АЛГОРИТМЫ СЕГМЕНТАЦИИ 3D ОБЪЕКТОВ, АНАЛИЗ АЛГОРИТМОВ СЕГМЕНТАЦИИ.
Цель: разработка модели сегментации трёхмерных объектов на основе методологии машинного обучения.
Объект: процессы сегментации трёхмерных объектов, представленных облаком точек.
Методы: проведение исследование моделей сегментации трёхмерных объектов на основании датасета ScanNet с оценкой точности на основании метрики Average Intersection over Union (avgloU).
Результаты: в ходе работы проведено сравнение и выявлены наиболее точные и производительные сочетания внутренней структуры обрабатываемых данных и архитектуры моделей, которые являются самыми перспективными для дальнейших исследований. наилучшие результаты показала библиотек машинного обучения Point Transformer со значением метрики avgIoU, равной 0,794. Полученные результаты будут использованы для дальнейшей работы над методами обработкой данных, поиском и настройкой моделей машинного обучения для задачи сегментации 3D объектов для достижения лучшей точности и производительности.
Ключевые слова: СЕГМЕНТАЦИЯ 3D ОБЪЕКТОВ, СЕГМЕНТАЦИЯ ТРЁХМЕРНЫХ ОБЪЕКТОВ, АЛГОРИТМЫ СЕГМЕНТАЦИИ 3D ОБЪЕКТОВ, АНАЛИЗ АЛГОРИТМОВ СЕГМЕНТАЦИИ.
Цель: разработка модели сегментации трёхмерных объектов на основе методологии машинного обучения.
Объект: процессы сегментации трёхмерных объектов, представленных облаком точек.
Методы: проведение исследование моделей сегментации трёхмерных объектов на основании датасета ScanNet с оценкой точности на основании метрики Average Intersection over Union (avgloU).
Результаты: в ходе работы проведено сравнение и выявлены наиболее точные и производительные сочетания внутренней структуры обрабатываемых данных и архитектуры моделей, которые являются самыми перспективными для дальнейших исследований. наилучшие результаты показала библиотек машинного обучения Point Transformer со значением метрики avgIoU, равной 0,794. Полученные результаты будут использованы для дальнейшей работы над методами обработкой данных, поиском и настройкой моделей машинного обучения для задачи сегментации 3D объектов для достижения лучшей точности и производительности.