Geri Dön

A data-centric unsupervised 3D mesh segmentation method

Veri merkezli denetimsiz 3B nesne segmentasyon metotu

PDF İndir

  1. Tez No: 772080
  2. Yazar: TALYA TÜMER SİVRİ
  3. Danışmanlar: DOÇ. DR. YUSUF SAHİLLİOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Matematik, Computer Engineering and Computer Science and Control, Science and Technology, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

Bu tez, 3B nesnelerin bölütlemesini veri merkezli bir YZ yaklaşımı olarak sunar. Modelleme, doku eşleme, şekil sıkıştırma, basitleştirme ve iskelet çıkarma uygulamalarında bölütleme popüler ve önemli bir alandır. Bilgisayar bilimlerinde çeşitli amaçlara hizmet ettiği için nesne bölütleme problemi aktif ve öne çıkan bir araştırma alanıdır. Büyüyen makine öğrenmesi, derin öğrenme algoritmaları ve hesaplama gücü yardımıyla 3B nesne bölütlemesi problemini daha verimli bir şekilde çözmek için farklı bir yöntem uygulanmıştır. Bu tezde, 3B nesne bölütlemesi problemini veri merkezli bir YZ yaklaşımını merkeze alarak farklı bir perspektiften çözüyoruz. Yarı denetimli bir öğrenme algoritması olan node2vec'i, bir 3B ağ grafiğindeki her düğüm için vektör gömme temsilini eğitmek için kullandık. Bu yöntem, ağ verilerinin işlenmesini daha kolay ve daha kompakt hale getirmektedir. Ayrıca hesaplama maliyetlerini azaltmak ve boyutsallık lanetini ortadan kaldırmak için çok önemli olan bu yöntemle boyut küçültme yapıyoruz. Başka bir deyişle, bilgiyi düğümlerden ve düğümler arasındaki uç bağlantılardan öğreniyoruz. Daha sonra, denetimsiz öğrenme algoritması K-Means'i iki farklı ilklendirme metotu ile, her düğümü düğüm yerleştirme bilgisine göre kümelemek için kullanıldı. Ayrıca, veri merkezli yaklaşımımız, hesaplama maliyeti açısından CNN ve RNN gibi karmaşık modellerden çok daha düşüktür. Karmaşık ve hesaplama açısından pahalı modeller kullanmak yerine, ham veri sunumunu iyileştirmek için veri merkezli yöntemler uyguluyoruz. Bu çalışmanın ana katkısı, bir node2vec gömme algoritması, makine öğrenimi ve derin öğrenme teknikleri kullanarak veri merkezli bir yapay zeka çerçevesi geliştirmektir. Ek olarak, farklı hiperparametrelerle eğitilmiş düğüm yerleştirme vektörlerini karşılaştırmak ve değerlendirmek için kosinüs benzerliği yöntemini uyarlanmıştır. Ayrıca, 3B nesne üzerinde jeodezik mesafe ile hesaplanan en uygun küme sayısını seçmek için yeni bir algoritma geliştirdik. Böylece, son teknoloji mesh bölütleme yöntemlerine kıyasla rekabetçi sonuçlar sağlıyoruz.

Özet (Çeviri)

Modeling, texture mapping, shape compression, simplification, and skeleton extracting are popular and essential topics in mesh segmentation applications. As it serves various purposes in computer science, the mesh segmentation problem is an active and prominent research area. With the help of growing machine learning, deep learning algorithms, and computation power, different methods have been applied to solve the 3D mesh segmentation problem more efficiently. In this thesis, we solve the 3D mesh segmentation problem from a different perspective. We present a novel data-centric AI approach for the segmentation of 3D meshes. We used node2vec, a semi-supervised learning algorithm, to train vector embedding representation for each node in a 3D mesh graph. This method makes the mesh data easier to process and more compact. In addition, we make dimension reduction with this method, which is very important for reducing computation costs and eliminating the curse of dimensionality. In other words, we learn information from nodes and edge connections between nodes. Then, the unsupervised learning algorithm K-Means was used to cluster each node according to node embedding information and two different initialization method was performed. Moreover, our data-centric approach is much lower in computational cost than complex models such as CNN and RNN. Instead of using complex and computationally expensive models, we apply data-centric methods to improve the raw data representation. The main contribution of this study is developing a data-centric AI framework by utilizing a node2vec embedding algorithm, machine learning, and deep learning techniques. Additionally, we adapt the cosine similarity method to compare and evaluate the node embedding vectors trained with different hyperparameters. Also, we developed a new algorithm for choosing the optimal cluster number, calculated with geodesic distance on the 3D mesh. Thus, we provide competitive results compared to the state-of-the-art mesh segmentation methods.

Benzer Tezler

  1. Tez No

    800513

    Data-driven delay estimation and anomaly detection: A study on European and Turkish air traffic

    Veri güdümlü gecikme tahmini ve anomali tespiti: Avrupa ve Türkiye hava trafiği üzerine bir çalışma

    MUHAMMET AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DR. EMRE KOYUNCU

  2. Tez No

    770074

    Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning

    Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi

    MUHAMMED FURKAN KUCUK

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiUniversity of South Florida

    Haberleşme Ana Bilim Dalı

    DOÇ. DR. İSMAİL UYSAL

  3. Tez No

    836760

    Unsupervised multi-object discovery and tracking using memory-augmented slot attention

    Bellek destekli slot dikkat modeliyle gözetimsiz çoklu nesne keşfi vetakibi

    AHMED IMAM SHAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    Prof. Dr. YÜCEL YEMEZ

    Assoc. Prof. Dr. İBRAHİM AYKUT ERDEM

  4. Tez No

    884898

    Improving self-attention based transformer performance for morphologically rich languages

    Morfolojik açıdan zengin diller için öz dikkat tabanlı dönüştürücü performansının iyileştirilmesi

    YİĞİT BEKİR KAYA

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET CÜNEYD TANTUĞ

  5. Tez No

    666540

    A data-centric approach for investigation of protein-protein interfaces in Protein Data Bank

    Protein Veri Bankası'nda bulunan protein-protein ara yüzlerinin incelenmesinde veri odaklı bir yaklaşım

    ZEYNEP ABALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Veri Bilimi Ana Bilim Dalı

    PROF. DR. ZEHRA ÖZLEM KESKİN ÖZKAYA

    PROF. DR. ATTİLA GÜRSOY

Geri Dön