Vis enkel innførsel

dc.contributor.advisorTheoharis, Theoharis
dc.contributor.advisorvan Blokland, Bart Iver
dc.contributor.authorPuente, Philip Øygarden
dc.date.accessioned2021-09-15T16:14:06Z
dc.date.available2021-09-15T16:14:06Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:57393545:22939599
dc.identifier.urihttps://hdl.handle.net/11250/2777841
dc.description.abstractI de siste årene har 3D-figur data blitt lettere å få tak i, delvis grunnet kommersielle sensorer og utbredt bruk av 3D-printere. Det er derfor ønskelig å ta i bruk dyp-læringsmetoder, som har vist seg å være anvendbare for mange ulike formål, og tilpasse de til 3D data. Den uregelmessige størrelsen på 3D data gjør det dessverre vanskelig å overføre disse teknikkene direkte. Kanskje er det mulig å ta i bruk 3D egenskapsbeskrivelser som et omformingssteg for å regularisere dataen? Eksperimenter der Siamesiske nevrale nettverk ble trent opp på Spin Images, Viewpoint Feature Histogram og Fast Point Feature Histogram, viser at det ikke bare er mulig, men det gir mer presise resultater sammenlignet med en mer primitiv punktsky trimmingsmetode. Ikke nok er det, men 3D egenskapsbekrivelser kan også hjelpe til å redusere størrelsen på nevrale nettverk, uten å ofre nøyaktighet. Dette bidrar til å gjøre det raskere for nettverkene å trenes opp og å gjøre prognoser.
dc.description.abstractIn recent years, 3D-shape data becomes more readily available due to commercially available sensors and 3D printing. It is therefore intuitive to want to apply 2D deep learning techniques to 3D data, as 2D techniques have proven to be very successful in a variety of use-cases. However, the irregular size of 3D data makes this difficult. Perhaps it would it be feasible to leverage 3D feature descriptors as a regularisation transformation for the data? Experiments done with Siamese neural networks trained on Spin Images, Viewpoint Feature Histograms and Fast Point Feature Histograms, show that not only is it feasible, but more accurate compared to more primitive point cloud trimming methods. Further more 3D feature descriptors is an effective way to reduce the overall size of the network while maintaining good accuracy, decreasing training and prediction time.
dc.language
dc.publisherNTNU
dc.titleDeep Learning on 3D Feature Descriptors
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel