سید محمد معین پیغمبر زاده

دانشکده فنی و مهندسی

گروه آموزشی مهندسی کامپیوتر

طلاعیه دفاع از  پایان نامه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش هوش مصنوعی

عنوان:

آنالیز صحنه مبتنی بر ابر نقاط 3 بعدی با استفاده از تکنیک‌های یادگیری عمیق

استاد راهنما:

جناب آقای دکتر حسن ختن­لو

اساتید ممتحن:

جناب آقای دکتر میرحسین دزفولیان

جناب آقای دکتر محرم منصوری زاده

 پژوهشگر:

سید محمد معین پیغمبرزاده

 زمان:

شنبه 29/10/1397 ساعت 14

مکان:

سمینار 2 دپارتمان برق (سالن مرحوم مهندس خانمحمدی)

Bu-Ali Sina University

Faculty of Engineering

Department of Computer Engineering

Thesis submitted for Master of Science in computer Engineering-Artificial Intelligence

Title:

Scene analysis based on 3d point clouds using deep learning methods 

Supervisor:

Dr.Hassan Khotanlou

Judges:

Dr.Mir Hossein Dezfoulian

Dr.Muharram Mansoorizadeh

Author:

Seyed Mohammad Moein Peyghambarzadeh

January 19, 2019

ابر نقطه به عنوان یک نمایش مناسب برای داده‌های سه بعدی پذیرفته شده است؛ که بیشتر حسگرها و سنسورهای 3-بعدی قابلیت تولید این نوع داده را دارند. با پیشرفت‌های اخیر در تولید این نوع سنسور‌ها، آنالیز ابر نقطه تبدیل به یک زمینه‌ تحقیقاتی مهم در حوزه بینایی ماشین شده‌است که طیف وسیعی از کاربردها به خصوص در حوزه رباتیک (مانند ماشین‌های خودران) را شامل می‌شود. به دلیل ماهیت نامنظم ابر نقاط، آنالیز این نوع داده با استفاده از الگوریتم‌های یادگیری عمیق دارای چالش‌های زیادی است. جهت حل این چالش‌ها، بیشتر روش‌های پیشین ابر نقاط را به داده‌های منظم سه بعدی (مانند وکسل) و یا دو بعدی (مانند تصویر) تبدیل می‌کنند؛ که این تبدیلات منجر به پردازش‌های اضافی در این روش‌ها خواهد شد. از این رو، معماری PointNet با استفاده از شبکه عصبی عمیق، برای آنالیز مستقیم ابر نقطه خام معرفی شده‌است. این معماری از مزیت‌های همسایگی برای استخراج ارتباط مکانی محلی نقاط به خوبی استفاده نکرده است.  در این پایان‌نامه روشی برای بهبود PointNet، با الهام از عملیات ضرب پیچشی توسط مفهوم فاصله نقطه از صفحه در فضا برای استخراج این ارتباط فضایی محلی، بر روی داده‌های ابر نقطه ارائه شده‌است. روش پیشنهادی، جهت ارزیابی وظایف طبقه‌بندی، قطعه‌بندی اجزا و قطعه‌بندی معنایی صحنه بر روی چهار مجموعه داده ModelNet-40، MNIST، ShapeNet-Part و S3DIS اعمال شده‌است. نتایج نشان می‌دهد که روش پیشنهادی به کارایی قابل قبولی در مقایسه با روش‌های پیشین در تمامی وظایف دست یافته‌است.

کلمات کلیدی : ابر نقطه، آنالیز ابر نقطه، یادگیری عمیق، داده‌های نامنظم، ارتباط مکانی محلی،

Point cloud is accepted as an adequate representation for 3D data and most 3D sensors have the ability to generate this data. With the recent advances of 3D sensors production, point cloud analysis has become an important field of research in computer vision community. Point cloud analysis is used in a wide range of applications especially in the field of robotics (for instance, autonomous driving). Due to point cloud's irregular format, analyzing this data using deep learning algorithms is quite challenging. To tackle this challenge, most previous researches converted point clouds to regular 3D data (like voxels) or 2D data (like 2D images). This representation conversion usually causes additional processing. Therefore, PointNet architecture was introduced that analyzes point clouds without changing their representation and uses neural networks. Although this architecture does not take full advantage of neighboring structures in order to exploit spatial local correlations. In this thesis, a new method is proposed that improves PointNet. This method is inspired by convolution and uses the concept of the distance between points and planes in order to exploit these spatial local correlations. In order to evaluate the proposed method for classification, part segmentation and scene semantic segmentation tasks, it has been applied on four Datasets: ModelNet-40، MNIST، ShapeNet-Part and S3DIS. The experimental results show the acceptable performance of the proposed method compared to previous approaches in all tasks.