Development of a deep learning approach for 3dimensional point cloud classification
3 boyutlu nokta bulutlarının sınıflandırılması için derin öğrenme yaklaşımı geliştirilmesi
- Tez No: 899337
- Danışmanlar: DOÇ. DR. SAYGIN ABDİKAN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 113
Özet
3B nokta bulutu sınıflandırması, nokta bulutu işlemenin temel adımıdır ve sınıflandırma sonuçlarına bağlı olarak sonraki işlemlerin gerçekleştirildiği bir temel görevi görür. Son yıllarda 3B nokta bulutu verilerinin hacminin artmasıyla, 3B nokta bulutu sınıflandırmasında otomasyon ihtiyacı önemli ölçüde artmıştır. Otomasyon, hataların azaltılması, ek maliyetlerin ortadan kaldırılması ve daha sağlam işlem süreçlerinin sağlanması için gereklidir. Sonuç olarak, 3B nokta bulutu sınıflandırmasının otomatikleştirilmesi hem bir gereklilik hem de aktif bir araştırma alanı haline gelmiştir. Son on yılda, makine öğrenimi yaklaşımları neredeyse her bilim ve mühendislik alanında popülerlik kazanmıştır. Benzer şekilde, 3B nokta bulutu işlemleri de makine öğrenimi yöntemlerini benimsemiştir. Son yıllarda, 3B nokta bulutu sınıflandırması üzerine yapılan çalışmalar büyük ölçüde makine öğrenimi modellerine odaklanmıştır. Bu modeller arasında, makine öğreniminin bir alt dalı olan yapay sinir ağları, özellikle derin öğrenme modelleri, öne çıkmıştır. Bu tezde, öncelikle son teknoloji ürünü bir makine öğrenimi sınıflandırıcısı kullanılarak 3B nokta bulutu sınıflandırması gerçekleştirilmiştir. Ardından, manuel olarak çıkarılan özellik setleri derin öğrenme modellerine entegre edilmiş ve bu özellikleri doğrudan modele beslemek yerine işlemek için ek bir sinir ağı katmanı tasarlanmıştır. Son olarak, daha fazla bağlamsal bilgiyi yakalamak ve sonuçları daha da iyileştirmek için bir global özellik toplama modülü önerilmiştir. Bu üç yöntem, ISPRS3D, Paris-Rue-Cassette, Paris-Rue-Madame, H3D ve Toronto3D gibi birkaç 3B nokta bulutu veri seti üzerinde eğitilmiş ve test edilmiştir. Bu veri setleri, halka açık ve daha önceki çalışmalarda karşılaştırma veri seti olarak kullanılmıştır. Veri setleri, farklı özelliklere sahiptir; bunlardan üçü mobil haritalama sistemleri kullanılarak, biri hava tabanlı lazer tarayıcı kullanılarak, diğeri ise insansız hava aracı tabanlı lazer sistemi ile toplanmıştır. Veri setleri, nokta yoğunlukları ve sınıf sayıları açısından farklılık göstermektedir. Önerilen modellerden elde edilen sonuçlara göre, tüm yöntemler %80'in üzerinde genel doğruluğa ulaşmıştır. Özellikle, makine öğrenimi modeli, derin öğrenme tabanlı yöntemlerle bile rekabet edebilecek derecede umut verici sonuçlar vermiştir. Derin öğrenme yöntemleri sınıflandırma metriklerini iyileştirmiş olmasına rağmen, tatmin edici sonuçlar yalnızca büyük ölçekli veri setlerinde elde edilmiştir. Daha fazla iyileştirme ile her iki derin öğrenme modelinin de önemli ilerlemeler kaydetme potansiyeline sahip olduğu, güncel literatürde belirtilmektedir.
Özet (Çeviri)
3D point cloud classification is a crucial step in point cloud processing, as it serves as the foundation for subsequent processes that rely on the classification results. With the increasing volume of 3D point cloud data in recent years, the need for automation in 3D point cloud classification has grown significantly. Automation is essential for reducing errors, eliminating additional costs, and providing more robust processing pipelines. As a result, automating 3D point cloud classification has become both a necessity and an active area of research. Over the past decade, machine learning approaches have gained popularity in nearly every field of science and engineering. Similarly, 3D point cloud processing has also adopted machine learning methods. In recent years, studies on 3D point cloud classification have largely focused on machine learning models. Among these, neural networks, a subfield of machine learning, have emerged as a prominent approach, especially deep learning models. In this thesis, 3D point cloud classification is first performed using a recent state-of-the-art machine learning classifier. Then, manually extracted feature sets are incorporated into deep learning models, and an additional neural network layer is designed to process these features instead of directly feeding them to the model. Finally, a global feature aggregation module is proposed to capture more contextual information and further improve the results. These three methods were trained and tested on several 3D point cloud datasets: ISPRS3D, Paris-Rue-Cassette, Paris-Rue-Madame, H3D, and Toronto3D. The datasets are publicly available and used in previous studies as a benchmark dataset. The datasets have various different properties; three of them were collected using mobile mapping systems, one using an airborne laser scanner, and another using an unmanned aerial vehicle-borne laser system. The datasets vary in point densities and the number of classes. According to the results obtained from each proposed models, all methods achieved over 80.0% overall accuracy. Notably, the machine learning model produced promising results, even competing with deep learning-based methods. Although deep learning methods improved classification metrics, satisfactory results were achieved only in large-scale datasets. With further refinements, both deep learning models have the potential to make significant advancements, as indicated by recent literature.
Benzer Tezler
- Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde gürültünün giderilmesi
Unsupervised denoising of digital breast tomosynthesis images using deep learning
OSMAN ALPCAN ÖZCAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım
Ensemble learning-based approach to classification of SAR images for land cover and use
ELİF MEŞECİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- Social behavior learning for an assistive companion robot
Yardımcı robotlar için sosyal davranış öğrenimi
PINAR ULUER
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Joint calibration and reconstruction for focal plane array imaging
Odak düzlemi dizisi görüntüleme için birleşik kalibrasyon ve geriçatım
MUHAMMET UMUT BAHÇECİ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU