Επεξεργασία γεωμετρίας μεγάλης κλίμακας

• Κύριος συγγραφέας: Πάνου, Αλίκη
• Άλλοι συγγραφείς: Panou, Aliki
• Γλώσσα: Greek
• Έκδοση: 2023
• Θέματα: Υπολογιστική όραση; Γεωμετρική βαθιά μάθηση; Γεωμετρικός transformer; Επεξεργασία γεωμετρίας; Νέφη σημείων; Καταχώριση νεφών σημείων; Ανίχνευση αλλαγών; Συνελικτικά νευρωνικά δίκτυα; Computer vision; Geometric deep learning; Geometric transformer; Geometry processing; Point clouds; Point cloud registration; Point cloud change detection; Convolutional neural networks

Η επεξεργασία γεωμετρίας μεγάλης κλίμακας ασχολείται με το χειρισμό, την ανάλυση και την κατανόηση τρισδιάστατων δεδομένων που βρίσκονται σε μεγάλη κλίμακα και είναι χρήσιμη σε πεδία όπως η υπολογιστική όραση, η ρομποτική, η εικονική και επαυξημένη πραγματικότητα κ.ά. Αυτή η διπλωματική εργασία χρησιμοποιεί ως είδος γεωμετρικών δεδομένων τα νέφη σημείων, δηλαδή μια συλλογή σημείων στον τρισδιάστατο χώρο που αναπαριστούν αντικείμενα ή ολόκληρα περιβάλ- λοντα. Αξιοποιούνται σε δυο διαφορετικά προβλήματα: την καταχώριση νεφών σημείων και την ανίχνευση αλλαγών. Η καταχώριση νεφών σημείων αφορά στην εύρεση ενός μετασχηματισμού που ευθυγραμμίζει δυο μερικώς επικαλυπτόμενα νέφη σημείων που έχουν αποκτηθεί από διαφορετικές οπτικές γω- νίες. Είναι ένα πρόβλημα που έχει ερευνηθεί ευρέως εδώ και πολλές δεκαετίες από πολλές και διαφορετικές σκοπιές. Υπάρχουν παραδοσιακές μέθοδοι όπως ο Iterative Closest Point (ICP) και οι παραλλαγές του που δουλεύουν πολύ καλά, ενώ τα τελευταία χρόνια με την πρόοδο του deep learning υπάρχει αυξημένο ενδιαφέρον στη χρήση νευρωνικών δικτύων. Τα νευρωνικά δίκτυα μα- θαίνουν από τα νέφη σημείων σύνθετες αναπαραστάσεις οδηγώντας σε ακριβείς καταχωρίσεις. Για αρκετό καιρό το πρόβλημα θεωρούνταν λυμένο καθώς οι μέθοδοι δοκιμάζονταν σε εύκολες περι- πτώσεις χρησιμοποιώντας μόνο νέφη σημείων με μεγάλη επικάλυψη. Ωστόσο, σε περιπτώσεις πολύ χαμηλής επικάλυψης οι περισσότερες τεχνικές αποτυγχάνουν. Στη διπλωματική αυτή εξετάζεται το πρόβλημα από τη σκοπιά του deep learning, με μια coarse-to-fine προσέγγιση. Το μοντέλο που χρησιμοποιείται αποτελείται από ένα συνελικτικό δίκτυο σχεδιασμένο να δρα απευθείας στα νέφη σημείων χωρίς ενδιάμεσες αναπαραστάσεις και έναν γεωμετρικό Transformer που αποτελείται από self και cross-attention επίπεδα που δημιουργεί πολύ ισχυρά χαρακτηριστικά. Δοκιμάζεται στα datasets εσωτερικού χώρου 3DMatch και 3DLoMatch και στο KITTI odometry, ένα dataset εξωτερικού χώρου. Συγκρίνεται με άλλα επιτυχημένα μοντέλα, με πολύ καλή απόδοση και στα δυο datasets ειδικά στις περιπτώσεις πολύ χαμηλής επικάλυψης, καταδεικνύοντας την αποτελεσματι- κότητα της coarse-to-fine προσέγγισης. Η ανίχνευση αλλαγών στα νέφη σημείων είναι η διαδικασία της αναγνώρισης του τύπου της αλλαγής μεταξύ δυο νεφών του ίδιου περιβάλλοντος που έχει σαρωθεί σε διαφορετικές χρονικές στιγμές και είναι καίριας σημασίας για την εποπτεία δυναμικά μεταβαλλόμενων περιβαλλόντων. Αποτελεί ένα σχετικά νέο ερευνητικό πεδίο, ακόμα αχαρτογράφητο με τις περισσότερες deep learning μεθόδους να υιοθετούν μια siamese αρχιτεκτονική για την επεξεργασία των δυο νεφών. Ακολουθώντας την ίδια γραμμή, υλοποιήθηκε ένα siamese συνελικτικό νευρωνικό δίκτυο το οποίο δοκιμάστηκε σε δυο datasets: ένα συνθετικό και ένα με πραγματικά δεδομένα που είναι και τα δύο άκρως μη ισορροπημένα. Η μέθοδος συγκρίνεται με δυο ακόμα siamese δίκτυα και εντοπίζονται τα δυνατά της σημεία αλλά και οι αδυναμίες της και πώς αυτές μπορούν πιθανώς να αντιμετωπιστούν στο μέλλον.