3D segmentacija objekata

diplomski rad

• Naslov (engleski): 3D Object Segmentation
• Autor: Andrej Jertec
• Mentor: Tomislav Pribanić (mentor)
• Član povjerenstva: Tomislav Pribanić (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Član povjerenstva: Hrvoje Džapo (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-10, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Područje 3D dubokog učenja je brzo razvijajuće područje sa sve većim brojem znanstvenih radova i istraživanja. Karakterizira ga manjak podataka za treniranje, te je u tom smjeru u ovom radu predstavljen postupak za efikasno geneniranje podataka segmentiranog ljudskog tijela pomoću SMPL modela uz minimalnu potrebu za ručnim označavanjem. Nadalje, generirani sintetički podaci su korišteni za treniranje PointNet neuronske mreže na zadatku segmentacije ljudskog tijela. Validacija neuronske mreže je obavljena na ukupno 3 skupa podataka od kojih su 2 sintetička te jedan realni skup podataka skeniranih ljudskih tijela. U radu je pokazano da je korištenjem samo sintetičkih podataka uz adekvatno uzorkovanje i normalizaciju moguće dobiti robusnu neuronsku mrežu koja dobro generalizira na realnom skupu podataka.

Sažetak (engleski)

The area of 3D deep learning is expanding field of study with growing number of scientific papers and research projects. Currently it is being limited by the lack of training datasets. To remedy this problem, in this work we present simple and efficient procedure of using SMPL model for generation of dataset of segmented human body with minimal needs for manual segmentation. Furthermore, we use the synthetic dataset for training PointNet neural network in solving the task of human body segmentation. We validate the neural network on 3 different datasets. Two of which are synthetic and one that contains scans of real human body. In this work we show that using only synthetic dataset with proper sampling and normalization one can train robust neural network that performs and generalizes well on real data.

• Ključne riječi: duboko učenje; oblaci točaka; segmentacija ljudskog tijela; PointNet; SMPL
• Ključne riječi (engleski): deep learning; point clouds; segmentation of human body; PointNet; SMPL
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:790226
• Studijski program: Naziv: Informacijska i komunikacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 09:10:40