Geri Dön

Supervised mesh segmentation for 3d objects with graph convolutional neural networks

Grafiksel evrişimli sinir ağları kullanarak denetimli 3 boyutlu nesne bölütlemesi

  1. Tez No: 574750
  2. Yazar: EMİR KAAN PEREK
  3. Danışmanlar: DOÇ. DR. YUSUF SAHİLLİOĞLU, DOÇ. DR. SİNAN KALKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 74

Özet

Nesne bölütlemesi 3B şekillerin anlamlandırılması ve analizi başta olmak üzere Bilgisayar Bilimlerinin birçok farklı alanında kullanılan temel bir uygulamadır. Derin öğrenme uygulamalarının yaygınlaşmasıyla nesne bölütlemesi için tekil çokgenlerin sınıflandırılmasına dayanan çözümler halihazırda üretilmiştir. Bu tezde biz, nesne bölütlemesi problemini Grafiksel Evrişimli Sinir Ağlarını kullanarak bir denetimli grafik etiketleme problemi olarak ele alıyoruz. Bir objeye etiketlenmesi gereken bir grafik yapısı olarak bakıp, bu objenin tüm yapısını girdi olarak alan ve bölütlenmiş halini çıktı olarak veren bir bölütleme modeli geliştiriyoruz. Benzer modeller 3B obje üzerindeki her bir çokgeni ayrı ayrı etiketleme üzerine kuruluyken, bizim modelimiz objenin tüm çokgenleri için tek bir turda etiketleme yeteneğini Grafiksel Evrişimli Sinir Ağları sayesinde edinebilmektedir. Ayrıca, grafik yapısındaki bileşenlerin bağlantısallığını kullanabilmek önceki çalışmalara nazaran girdi modelleri için gereken özellik sayısını ciddi derecede azaltabilmektedir. Biz modelimizi segmentasyon işlemi zorlu şekil gruplarından biri olan insan şekilleri üzerinde eğitip test ettik ve diğer denetimli bölütleme teknikleriyle rekabet edebilecek düzeydeki sonuçları onlardan çok daha az girdi özelliği kullanarak elde edebildik.

Özet (Çeviri)

Mesh segmentation is a fundamental application that is primarily used for understanding and analyzing 3D shapes in a broad range of areas in Computer Science. With the increasing trend of deep learning, there have been many learning-based solutions to the mesh segmentation problem based on the classification of the individual mesh polygons. In this thesis, we cast mesh segmentation as a supervised graph labeling problem by using Graph Convolutional Neural Networks (GCNN). We treat a mesh object as a graph to be labeled and develop a segmentation model that takes an entire structure of the object as input and returns its segmentation. While similar models focus on labeling each polygon of the 3D objects separately, our model is capable of labeling all polygons in a single run thanks to GCNN. Moreover, being able to use connectivity information in the graph provides an opportunity for a drastic decrease in the required features used as input to the model, compared to the previous studies. We train and test our model for segmenting human shapes, one of the challenging shapes to segment. We report competitive results compared to other state-of-art supervised segmentation techniques by using noticeably less input features.

Benzer Tezler

  1. Mesh segmentation from sparse face labels using graph convolutional neural networks

    Grafıksel evrişimli sinir ağlarını kullanarak yüzeyleri seyrek etiketlenmiş nesne bölütlemesi

    ÖNDER İLKE SEVER

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF SAHİLLİOĞLU

  2. A data-centric unsupervised 3D mesh segmentation method

    Veri merkezli denetimsiz 3B nesne segmentasyon metotu

    TALYA TÜMER SİVRİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. YUSUF SAHİLLİOĞLU

  3. Exploring dense depth predictions as a supervision source for human pose and shape estimation

    Yoğun derinlik tahminlerinin insan poz ve şekil tahmini için bir denetim kaynağı olarak incelemesi

    BATUHAN KARAGÖZ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE AKBAŞ

  4. Source-aggregated-poisson with applications to groupwise shape analysis and mesh segmentation

    Değişen kaynaklı birleşik poısson ve şekil gruplarının analizi ile yüzey ağlarının bölütlenmesine uygulanması

    MURAT GENÇTAV

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA SİBEL TARI

  5. Electro-magnetic source imaging using realistic head models

    Gerçekçi kafa modelleri kullanarak elektro-manyetik kaynak görüntüleme

    ZEYNEP AKALIN ACAR

    Doktora

    İngilizce

    İngilizce

    2005

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF.DR. NEVZAT GENÇER