Comparative Analysis of Object Recognition Techniques Using 3D Shape Descriptors
Abstract
I denne oppgaven har vi testet hvilken grad shape descriptors ferdigheter knyttet til å kjenne igjen objekter påvirkes ved simulering av virkelige scenarier. Vi presenterer en benchmark som består av tre prosesser - Datainnsamling, Generering av ytelsesdata, og Dataanalyse. Denne oppgaven hadde som mål å svare på den manglende kunnskapen knyttet til hva som fører til god eller dårlig gjenkjenningsytelse for en gitt shape descriptor, og fraværet av store og varierte datasett brukt i tester av shape descriptorer. Ved å bruke et datasett på n=1193 objekter samlet av Google Research, ble en serie transformasjoner generert, og gjennom en benchamark ble shape descriptorens ytelse i forskjellige scenarier testet og visualisert. Ytelsen til en shape descriptorene ble testet gjennom vår foreslåtte metode, som innebærer å sammenligne resultatene med en tidligere beregnet dårlig gjennomsnittsverdi. Vi fant ut at Spin Image og Radial Intersection Count Images shape descriptorene ga den mest pålitelige generelle ytelsen, mens 3D Shape Context, Fast Point Feature Histogram, og Quick Intersection Count Change Image shape descriptorene ga mer varierte resultater. In this thesis the extent to which shape descriptors' object recognition abilities are affected by simulating real-world scenarios is tested. We present a benchmark consisting of three processes - Data Collection, Performance Data Generation, and Data Analysis. This thesis aimed to answer the lack of research on what leads to a good or bad matching performance for a given shape descriptor, and the absence of large and varied datasets used in shape descriptor tests. By using n=1193 objects gathered from the Google Research dataset, a series of transformations were generated, and through the benchmark the shape descriptors' performance in different environments were tested and visualised. The performance of a shape descriptor was tested through our newly proposed method, which involves comparing the results to a previously calculated poor matching average. We found that the Spin Image and Radial Intersection Count Images shape descriptors gave the overall most reliable performance, while the 3D Shape Context, Fast Point Feature Histogram, and Quick Intersection Count Change Image shape descriptors gave more varied results.