Show simple item record

Klasifikace na množinách bodů v 3D
dc.contributor.advisorMráz, František
dc.creatorStřelský, Jakub
dc.date.accessioned2018-10-04T12:49:56Z
dc.date.available2018-10-04T12:49:56Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/20.500.11956/101923
dc.description.abstractIncreasing interest for classification of 3D geometrical data has led to discov- ery of PointNet, which is a neural network architecture capable of processing un- ordered point sets. This thesis explores several methods of utilizing conventional point features within PointNet and their impact on classification. Classification performance of the presented methods was experimentally evaluated and com- pared with a baseline PointNet model on four different datasets. The results of the experiments suggest that some of the considered features can improve clas- sification effectiveness of PointNet on difficult datasets with objects that are not aligned into canonical orientation. In particular, the well known spin image rep- resentations can be employed successfully and reliably within PointNet. Further- more, a feature-based alternative to spatial transformer, which is a sub-network of PointNet responsible for aligning misaligned objects into canonical orientation, have been introduced. Additional experiments demonstrate that the alternative might be competitive with spatial transformer on challenging datasets. 1en_US
dc.description.abstractRostoucí zájem o klasifikaci 3D geometrických dat vedl k objevu PointNet, což je neuronová síť schopná přímého zpracování neuspořádaných množin bodů. Tato práce prozkoumává několik metod využítí obvyklých bodových příznaků v PointNet síti a jejich účinek na klasifikaci. Účinnost klasifikace předvedených metod byla experimentálně otestována a porovnána s výchozím modelem Point- Net na čtyřech různých sadách dat. Výsledky naznačují, že některé z uvažovaných bodových příznaků mohou vylepšit účinnost klasifikace na datech ve kterých ne- jsou objekty orientovány kanonicky. Obzvláště známé příznaky spin images za- komponované v PointNet síti byly úspěšné v našich experimentech. Objevili jsme navíc alternativu ke spatial transformer, což je součást PointNet sítě, která má za úkol potlačovat problém s nezarovnanou orientací objektů v datech. Další výsledky experimentů naznačují, že tato alternativa může být schopná konkurovat spatial transformer technice na obtížných datech. 1cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectdeep learningen_US
dc.subjectclassificationen_US
dc.subjectneural networksen_US
dc.subjecthluboké učenícs_CZ
dc.subjectklasifikacecs_CZ
dc.subjectneuronové sítěcs_CZ
dc.titleKlasifikace na množinách bodů v 3Den_US
dc.typediplomová prácecs_CZ
dcterms.created2018
dcterms.dateAccepted2018-09-13
dc.description.departmentKatedra softwaru a výuky informatikycs_CZ
dc.description.departmentDepartment of Software and Computer Science Educationen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId200056
dc.title.translatedKlasifikace na množinách bodů v 3Dcs_CZ
dc.contributor.refereeŠikudová, Elena
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineArtificial Intelligenceen_US
thesis.degree.disciplineUmělá inteligencecs_CZ
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csUmělá inteligencecs_CZ
uk.degree-discipline.enArtificial Intelligenceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csRostoucí zájem o klasifikaci 3D geometrických dat vedl k objevu PointNet, což je neuronová síť schopná přímého zpracování neuspořádaných množin bodů. Tato práce prozkoumává několik metod využítí obvyklých bodových příznaků v PointNet síti a jejich účinek na klasifikaci. Účinnost klasifikace předvedených metod byla experimentálně otestována a porovnána s výchozím modelem Point- Net na čtyřech různých sadách dat. Výsledky naznačují, že některé z uvažovaných bodových příznaků mohou vylepšit účinnost klasifikace na datech ve kterých ne- jsou objekty orientovány kanonicky. Obzvláště známé příznaky spin images za- komponované v PointNet síti byly úspěšné v našich experimentech. Objevili jsme navíc alternativu ke spatial transformer, což je součást PointNet sítě, která má za úkol potlačovat problém s nezarovnanou orientací objektů v datech. Další výsledky experimentů naznačují, že tato alternativa může být schopná konkurovat spatial transformer technice na obtížných datech. 1cs_CZ
uk.abstract.enIncreasing interest for classification of 3D geometrical data has led to discov- ery of PointNet, which is a neural network architecture capable of processing un- ordered point sets. This thesis explores several methods of utilizing conventional point features within PointNet and their impact on classification. Classification performance of the presented methods was experimentally evaluated and com- pared with a baseline PointNet model on four different datasets. The results of the experiments suggest that some of the considered features can improve clas- sification effectiveness of PointNet on difficult datasets with objects that are not aligned into canonical orientation. In particular, the well known spin image rep- resentations can be employed successfully and reliably within PointNet. Further- more, a feature-based alternative to spatial transformer, which is a sub-network of PointNet responsible for aligning misaligned objects into canonical orientation, have been introduced. Additional experiments demonstrate that the alternative might be competitive with spatial transformer on challenging datasets. 1en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwaru a výuky informatikycs_CZ
thesis.grade.code1


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV