Настройка обучения моделей при классификации и сегментации облаков точек

Обложка

Цитировать

Полный текст

Аннотация

Представлены особенности и возможности нейросетевой архитектуры PointNet применительно к искусственно сгенерированным облакам точек лазерного отражения в информационной системе Terra_Maker. Проанализированы результаты обучения сети PointNet и оценена точность полученных моделей. Предложен подход к определению параметров, которые дают максимальную точность при выполнении экспериментов на примере облаков точек, полученных при помощи информационной системы Terra_Maker.

Полный текст

Доступ закрыт

Об авторах

Дмитрий Андреевич Гура

Кубанский государственный технологический университет; Кубанский государственный аграрный университет

Автор, ответственный за переписку.
Email: gda-kuban@mail.ru

Кандидат технических наук, доцент, доцент

Россия, Краснодар; Краснодар

Роман Александрович Дьяченко

Кубанский государственный технологический университет

Email: emessage@rambler.ru

Доктор технических наук, профессор кафедры информатики и вычислительной техники

Россия, Краснодар

Евгений Сергеевич Бойко

Кубанский государственный технологический университет; Кубанский государственный университет

Email: boykoes@yandex.ru

Кандидат географических наук, доцент кафедры геоинформатики

Россия, Краснодар; Краснодар

Дмитрий Александрович Левченко

Кубанский государственный университет

Email: levchenkodima@mail.ru

Кандидат педагогических наук, доцент кафедры анализа данных и искусственного интеллекта

Россия, Краснодар

Список литературы

  1. Zhu X. X., Tuia D., Mou L., Xia G. S., Zhang L., Xu F., Fraundorfer F. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources // IEEE Geoscience and Remote Sensing Magazine. 2017. P. 8–36.
  2. Левченко Д.А., Бойко Е.С. Генератор цифровых данных геоточек искусственных территорий «Terra_Maker» // свидетельство о государственной регистрации программы для ЭВМ, №2023610228
  3. Колесников А.А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2022. Т. 27. № 3. С. 74-94.
  4. Глинский А. В., Новиченко Е. В., Ткачев М. С., Савенков В. М., Теплякова А. Р., Захарочкина Н. А., Бирюков Р. Н., Акобян Л. В. Программа семантической сегментации с учетом данных, получаемых с камер и лидаров // Свидетельство о регистрации программы для ЭВМ 2022663627, 18.07.2022.
  5. Ali Kashefi, Tapan Mukerji Physics-informed PointNet: A deep learning solver for steady-state incompressible flows and thermal fields on multiple sets of irregular geometries // Journal of Computational Physics, 2022
  6. Дьяченко Р.А., Косолапов П.А., Гура Д.А. К вопросу об увеличении производительности машинного обучения на этапе выборки данных при решении задач классификации // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2022. № 4. С. 146-155.9.
  7. Гура Д.А., Дьяченко Р.А., Андрющенко А.В. Технология имитации полетного маршрута беспилотного летательного аппарата и воздушного лазерного сканирования // Электронный сетевой политематический журнал "Научные труды КубГТУ". 2022. № 6. С. 126-133
  8. Косолапов П.А., Дьяченко Р.А., Гура Д.А., Хушт Н.И. К вопросу о нормализации данных трехмерного лазерного сканирования // Электронный сетевой политематический журнал "Научные труды КубГТУ". 2021. № 4. С. 56-66.
  9. Гура Д.А., Дьяченко Р.А., Хушт Н.И. К вопросу о предобработке данных трехмерного лазерного сканирования // Электронный сетевой политематический журнал "Научные труды КубГТУ". 2021. № 3. С. 39-46.
  10. Гура Д.А., Дьяченко Р.А., Хушт Н.И., Марковский И.Г. К вопросу о методах генерации, классификации и распознавания трехмерных изображений // Электронный сетевой политематический журнал "Научные труды КубГТУ". 2021. № 2. С. 86-97.
  11. Aoki Y., Goforth H., Srivatsan R. A., Lucey S. Pointnetlk: Robust & efficient point cloud registration using pointnet // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2019. P. 7156–7165.
  12. Zaganidis A., Sun L., Duckett T., Cielniak G. Integrating Deep Semantic Segmentation into 3-D Point Cloud Registration // IEEE Robotics and Automation Letters. 2018. V. 2 No 4. P. 2942–2949.
  13. Zhang B., Huang S., Shen W., Wei Z. Explaining the PointNet: What Has Been Learned Inside the PointNet? // IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2019. P. 71–74.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Архитектура сети PointNet

Скачать (251KB)
Метаданные
3. Рис. 2. Экранная форма диалога настроек информационной системы Terra_Maker «Поверхность грунта»

Скачать (103KB)
Метаданные
4. Рис. 3. Экранная форма диалога настроек информационной системы Terra_Maker

Скачать (95KB)
Метаданные
5. Рис. 4. Экранная форма диалога настроек информационной системы Terra_Maker «Строения/Здания»

Скачать (98KB)
Метаданные
6. Рис. 5. Экранная форма диалога настроек информационной системы Terra_Maker «Ложно отраженные точки»

Скачать (27KB)
Метаданные
7. Рис. 6. Экранная форма диалога настроек информационной системы Terra_Maker «Численные характеристики создаваемого набора данных»

Скачать (33KB)
Метаданные
8. Рис. 7. Визуализация облаков точек в информационной системе Terra_Maker

Скачать (30KB)
Метаданные
9. Рис. 8. Визуальное представление набора данных облака точек

Скачать (44KB)
Метаданные
10. Рис. 9. Графики значений функции потерь и точности по эпохам обучения

Скачать (20KB)
Метаданные
11. Рис. 10. Графики зависимостей точности обучения и тестирования

Скачать (20KB)
Метаданные
12. Рис. 11. Пример семантической сегментации точек лазерного отражения_1

Скачать (10KB)
Метаданные
13. Рис. 11. Пример семантической сегментации точек лазерного отражения_2

Скачать (10KB)
Метаданные
14. Рис. 11. Пример семантической сегментации точек лазерного отражения_3

Скачать (9KB)
Метаданные
15. Рис. 11. Пример семантической сегментации точек лазерного отражения_4

Скачать (9KB)
Метаданные
16. Рис. 11. Пример семантической сегментации точек лазерного отражения_5

Скачать (9KB)
Метаданные
17. Рис. 11. Пример семантической сегментации точек лазерного отражения_6

Скачать (10KB)
Метаданные
18. Рис. 11. Пример семантической сегментации точек лазерного отражения_7

Скачать (8KB)
Метаданные
19. Рис. 11. Пример семантической сегментации точек лазерного отражения_8

Скачать (8KB)
Метаданные

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».