Методы сегментации 3D объектов в облаке точек : магистерская диссертация

Abstract

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.

Objective: development of a three-dimensional object segmentation model based on machine learning methodology. Object: segmentation processes of three-dimensional objects represented by a point cloud. Methods: conducting a study of three-dimensional object segmentation models based on the ScanNet dataset with accuracy assessment based on the Average Intersection over Union (avgloU) metric. Results: during the work, a comparison was made and the most accurate and productive combinations of the internal structure of the processed data and the architecture of the models were identified, which are the most promising for further research. The best results were shown by the Point Transformer machine learning library with an avgIoU metric value of 0.794. The obtained results will be used for further work on data processing methods, searching and tuning machine learning models for the task of segmenting 3D objects to achieve better accuracy and performance.