3D point cloud classification with GANs: ACGAN and VACWGAN-GP
3B nokta bulutunun çekişmeli sinir ağları ile sınıflandırılması: ACGAN ve VACWGAN-GP
- Tez No: 717405
- Danışmanlar: DOÇ. DR. YUSUF SAHİLLİOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Gelişen teknoloji ve sensörlerin gücüyle birlikte, 3B veriler neredeyse her alanda kullanılmaya başlanmıştır. LIDAR sensörleriyle tespit edilmiş veya sentetik 3 boyutlu ağların örneklenmesiyle elde edilmiş nokta bulutları; otonom sürüşten veri görselleştirmeye, yeni veri ve 3 boyutlu ağ üretmekten tespit edilen 3 boyutlu nesnelerin sınıflandırılmasına kadar bir çok alanda ön plana çıkmaya başlamıştır. Üretilen bu verilerin anlamlandırılmasında ve çeşitli uygulamalarının gerçeklenmesinde makine öğrenmesi ve derin öğrenme teknikleri sıkça kullanılmaktadır. Bu çalışmada, biz, etiketlenmiş veri ile çalışan bir çeşit Çekişmeli Sinir Ağları olan Sınıflandırıcı Eklenmiş Çekişmeli Sinir Ağları ile 3B nokta bulutunun ait olduğu sınıfı tahmin etmesi için bir ağ öneriyoruz. Diğer sınıflandırıcılardan farklı olarak; üretici modellerin gücünden yararlanarak üretilen veriler ile sınırlı veri setini büyütebiliyor ve modeli daha fazla veri ile eğiterek başarısının arttırılmasını hedefliyoruz. Sınıflandırıcı Eklenmiş Çekişmeli Sinir Ağları modellerinin önerdiği şekilde, gerçek verisetine ek olarak Üretici tarafından sınıf etiketi kullanılarak üretilen sentetik veriler ile eğitilen Ayrıştırıcı sayesinde; gerçek ve sahte veriyi ayırırken aynı zamanda verinin sınıflandırılabilmesini de sağlıyoruz. Böylece, eğitim ilerlerken Üretici daha gerçekçi veriler üretmek için eğitilirken; Ayrıştırıcıyı da daha iyi sınıflandırmaya zorlamaktadır. Gradyan Cezalandırmalı Wassertein Çekişmeli sinir ağları ise benzer yetenekleri, Ayrıştırıcıyı Eleştirmen ile değiştirip; kayıp fonksiyonunu değiştirerek daha iyi bir eğitim ile göstermektedir. Bu çalışmada, biz Gradyan Cezalandırmalı Wasserstein Çekişmeli sinir ağlarını koşullu Çekişmeli Sinir Ağları ile birleştirerek veri sınıflandırma performansını iyileştirmeye odaklanıyoruz. Yapılan bu çalışma ile önerilen modeller 3 boyutlu verisetleri üzerinde denenmiş ve sonuçları diğer çalışmalar ile karşılaştırılmıştır.
Özet (Çeviri)
With the developing technology and the power of sensors, 3D data has started to be used in almost every field. Point clouds detected with LIDAR sensors or obtained by sampling 3D meshes have begun to come to the fore in many areas from autonomous driving to data visualization, from generating new data and mesh to classifying detected 3D objects. Machine learning and deep learning techniques are widely used to make sense of this produced data and to implement various applications. In this work, we propose networks to predict the class to which the 3D point cloud belongs, with Auxiliary Classifier Generative Adversarial Network and Versatile Auxiliary Conditional Wasserstein Generative Adversarial Network with Gradient Penalty, which are kind of GANs working with class labeled data. Unlike other classifiers; we are able to enlarge the limited data set with the data produced by taking advantage of the power of generative models, thus we aim to increase the success of the model by training it with more data. As suggested by the ACGAN models, the Discriminator is trained with synthetic data generated by the Generator with using the class label, in addition to the real dataset, ensures that data can be classified while separating real and fake data. Thus, as the training evolves, the Generator is trained to produce more realistic data; which forces Discriminator to classify better. Wasserstein GAN with GP demonstrates similar abilities with a better training by replacing its Discriminator with Critic and modifying its loss function. In this work, we focus on merging Wassterstein GAN-GP with conditional GAN in order to improve the classifier's performance. With this study, the proposed models were tested on 3D datasets and the results were compared with other studies.
Benzer Tezler
- 3D Lidar nokta bulutu işlemede sınır gözetimli voksel tabanlı bir segmentasyon yöntemi geliştirilmesi
Developing a border constrained voxel-based segmentation method in 3D Lidar point cloud processing
ALİ SAĞLAM
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURDAN BAYKAN
- Development of a deep learning approach for 3dimensional point cloud classification
3 boyutlu nokta bulutlarının sınıflandırılması için derin öğrenme yaklaşımı geliştirilmesi
ERAY SEVGEN
Doktora
İngilizce
2024
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAYGIN ABDİKAN
- Nokta bulutu ile elde edilen altyapı elemanlarının sınıflandırılmasında makine öğrenmesi ve derin öğrenme algoritmalarının performanslarının değerlendirilmesi
Evaluation of the performance of machine learning and deep learning algorithms in the classification of infrastructure elements obtained with point cloud
YALÇIN YILMAZ
Doktora
Türkçe
2024
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZU SOYCAN
- 3 boyutlu nokta bulutlarının modellenmesinde metasezgisel yaklaşımlar
Metaheuristic algorithms to modelling in 3D point clouds
ÜLKÜ KIRICI YILDIRIM
Doktora
Türkçe
2024
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. YASEMİN ŞİŞMAN
- Makine öğrenme algoritmaları kullanılarak lazer verilerinden ağaç türlerinin sınıflandırılması olanaklarının araştırılması
Investigation of tree species classification possibilities from laser data using machine learning algorithms
ZEHRA ÇETİN
Doktora
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ YASTIKLI