Geri Dön

Mesh segmentation from sparse face labels using graph convolutional neural networks

Grafıksel evrişimli sinir ağlarını kullanarak yüzeyleri seyrek etiketlenmiş nesne bölütlemesi

  1. Tez No: 621791
  2. Yazar: ÖNDER İLKE SEVER
  3. Danışmanlar: DOÇ. DR. YUSUF SAHİLLİOĞLU
  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: 2020
  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: 66

Özet

Derin öğrenmedeki belirgin gelişmeler Bilgisayar Bilimlerinin neredeyse her alanını etkilemektedir. Bilgisayar grafiklerinde nesne bölütlemesi aktif bir araştırma alanı olmuştur ve derin öğrenme gelişmeleri trendini yakından takip etmektedir. Nesne bölütlemesi, 3 boyutlu nesneler ile ilgili birçok uygulama alanında merkezi bir role sahiptir. Nesneyi manipüle etmek veya bileşenlerini analiz etmek için esas olarak nesne yapısını üretmek için kullanılır. Bu işlem çok temel bir role sahiptir ve bu temel olma özelliği uygulama alanlarına çeşitliliğe neden olur. Uygulama alanlarındaki çeşitlilik, zaman ve bellek kullanımı üzerinde öncelik sapmalarına yol açmaktadır. Bu tezde, Grafiksel Evrişimli Sinir Ağlarını kullanarak Nesne Bölütlemesi problemini çözüyoruz. Metodumuz, bölgesel olarak bölütleri etiketlenmiş objeleri alarak, nesnenin bölütlenmiş halini sonuç olarak üreten yarı denetimli bir yöntemdir. Bölütlenecek nesnenin ağ bilgisini kullanarak, yüzeylerin bağlantılari ile bir grafik olarak düşünüyoruz, ağın 3 boyutlu düzlemde olması olması sinir ağımız için geometrik olarak mantıksal özellikler oluşturmamızı sağlıyor. Komşuluk bilgilerinin kullanılması, oldukça yeni bir kavram olan Grafiksel Evrişimli Sinir Ağları tarafından korunmakta olup, bu yeni sinir ağlarının kullanılarak nesne bölütlemesi işleminin uygulanması; ilk kez bu çalışmada bizim tarafımızdan gerçekleştirilmiştir. Kısaca özetlenen yöntemi kullanarak, alanlarında en iyi kabul edilen nesne bölütlemesi yöntemleriyle kıyaslanabilecek sonuçlara ulaşıyoruz.

Özet (Çeviri)

The marked improvements in deep learning influence almost every area of computer science. The mesh segmentation problem in computer graphics has been an active research area and keep abreast of the trend of deep learning developments. The mesh segmentation has a central role in multiple application areas for 3D objects. It is chiefly used to produce the object structure in order to manipulate the object or analyze the components of it. These operations are primitive, and that primitiveness causes a variety of application areas. The variation in application areas induce a variety of priority deviations over time and memory usage. In this thesis, we solve the mesh segmentation problem by using Graph Convolutional Neural Networks. Our method uses a semi-supervised approach for which the mesh objects are sparsely labeled, and the results are the formed segments. We consider a mesh object as a graph by using their connectedness over the faces, and having the mesh in 3D lets us create geometrically logical features for our network. Using the neighborhood information is maintained by the Graph Convolutional Neural Networks, which is a pretty new concept, and the application on the sparsely labeled mesh segmentation is novel to our work. By using the briefly summarized method, we reach competitive results compared to state-of-art mesh segmentation methods.

Benzer Tezler

  1. 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

  2. Vessel segmentation and surface reconstruction from MRA images

    MRA görüntülerinden damar ayrıştırılması ve damar yüzeyinin oluşturulması

    DEVRAN UĞURLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. M. SERDAR ÇELEBİ

  3. 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

  4. A K-means clustering-based shape retrieval technique for 3D mesh models

    Üç boyutlu çözüm ağları için K-means kümeleme tabanlı şekil araması

    MOHAMMADHASSAN REZAEI

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ERKAN GÜNPINAR

  5. Orman yangınlarının görüntü işleme ile tespiti

    Detection of forest fires with image processing

    ANIL ALİŞER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP BALA DURANAY