Sparse point clouds semantic segmentation

Απλή σελίδα τεκμηρίου
dc.contributor.advisorMalamos, Athanasiosen
dc.contributor.advisorΜαλάμος, Αθανάσιοςel
dc.contributor.authorTzermia, Chrysoulaen
dc.contributor.authorΤζερμιά, Χρυσούλαel
dc.date.accessioned2026-06-08T10:44:06Z
dc.date.available2026-06-08T10:44:06Z
dc.date.issued2026-06-08
dc.description.abstractThis thesis deepens into point clouds semantic annotation and segmentation based on artificial neural network algorithms. According to the literature, the best up to now algorithm that detects directly points of clouds and performs with relatively high efficiency is PointNet. Therefore, our experimental effort focuses on this algorithm and how to increase efficacy. Through data preprocessing, we eliminate point cloud outliers and normalize the coordination system. Additionally, to prevent memory issues we suggest a method to perform data augmentation and by correlating some classes we achieve better accuracy results, preventing data overfitting by adapting PointNet's architecture and learning rate. The evaluation involves comparing the Intersection over Union (IoU) scores of various artificial neural networks utilized in semantic segmentation tasks on outdoor scene point clouds with our customized PointNet version. Additionally, through statistical analysis we present the linkage between efficiency and the dispersion of class related points in point clouds. Finally, identifying incorrect class associations clarifies PointNet's reasoning behind such misclassifications.en
dc.description.abstractΑυτή η εργασία εμβαθύνει σε σημασιολογικό σχολιασμό και τμηματοποίηση σύννεφων σημείων με βάση αλγόριθμους τεχνητού νευρωνικού δικτύου. Σύμφωνα με τη βιβλιογραφία, ο αποτελεσματικότερος μέχρι τώρα αλγόριθμος που αναγνωρίζει απευθείας σημεία από σύννεφα και αποδίδει με σχετικά υψηλή απόδοση είναι το PointNet. Ως εκ τούτου, η πειραματική μας προσπάθεια επικεντρώνεται σε αυτόν τον αλγόριθμο και στον τρόπο αύξησης της αποτελεσματικότητας. Μέσω της προεπεξεργασίας δεδομένων, εξαλείφουμε τα ακραία σημεία του νέφους και κανονικοποιούμε το σύνολο δεδομένων. Επιπλέον, για την αποφυγή προβλημάτων μνήμης προτείνουμε μια μέθοδο για την αύξηση δεδομένων και συσχετίζοντας ορισμένες κλάσεις επιτυγχάνουμε καλύτερα αποτελέσματα ακρίβειας, αποτρέποντας την υπερπροσαρμογή δεδομένων προσαρμόζοντας την αρχιτεκτονική και τον ρυθμό εκμάθησης του PointNet. Η αξιολόγηση περιλαμβάνει τη σύγκριση των βαθμολογιών Intersection over Union (IoU) διαφόρων τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται σε εργασίες σημασιολογικής τμηματοποίησης σε υπαίθρια νέφη σημείων σκηνής με την προσαρμοσμένη έκδοση PointNet. Επιπλέον, μέσω στατιστικής ανάλυσης παρουσιάζουμε τη σύνδεση μεταξύ της αποδοτικότητας και της διασποράς σημείων που σχετίζονται με την κλάση σε νέφη σημείων. Τέλος, ο εντοπισμός λανθασμένων συσχετίσεων κλάσης διευκρινίζει την συμπεριφορά του PointNet που ευθύνεται για τέτοιες εσφαλμένες ταξινομήσεις.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11665
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectSemantic segmentation
dc.subjectMachine learning
dc.subjectDeep learning
dc.subjectNeural networks
dc.subjectPoint cloud
dc.subjectΣημασιολογική κατάτμηση
dc.subjectΜηχανική μάθηση
dc.subjectΒαθιά μάθηση
dc.subjectΝευρωνικά δίκτυα
dc.subjectΝέφη σημείων
dc.titleSparse point clouds semantic segmentationen
dc.titleΣημασιολογική κατάτμηση αραιών νεφών σημείωνel
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
TzermiaChrysoula2024.pdf
Μέγεθος:
8.32 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Μεταπτυχιακές εργασίες / Master Theses