دسته بندی داده ی سه بعدی با نمایش ابر نقطه با استفاده از تکنیک توجه در شبکه ی عصبی عمیق
Publish place: 9th International Conference on Information Technology, Computer and Telecommunications
Publish Year: 1399
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 564
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCT09_022
تاریخ نمایه سازی: 6 شهریور 1399
Abstract:
طی یک دهه ی گذشته یادگیری عمیق به موفقیت های چشمگیری در زمینه ی پردازش و درک داده های دو بعدی دست پیداکرده است و به گزینه ای برتر برای کارهایی نظیر طبقه بندی، تقسیم بندی، تشخیص و ... تبدیل شده است. به همین منظور درحوزه سه بعدی نیز با استفاده از داده های غنی موجود شروع به استفاده شده است. در حالیکه به دلیل ماهیت هندسی پیچیدهی اشیاء سه بعدی و تغییرات ساختاری بزرگ ناشیء از بازنمایی های مختلف سه بعدی، این امر ساده نبوده و چالش هایبسیاری با خود همراه دارد. یکی از انواع بازنمایی های مهم داده ی سه بعدی، نمایش ابرنقطه است. ابرنقطه مجموعه ای از نقاطبدون مرتبه با پراکندگی متفاوت در فضای اقلیدسی سه بعدی است. این داده بر خلاف سایر بازنمایی ها نظیر واکسل ازپیچیدگی و هزینه ی محاسباتی کمتری برخوردار است و نزدیکتری نوع داده به داده ی خام دریافتی از دستگاه های ضبطداده ی سه بعدی نظیر لیدار، دوربی های عمق و رادار است. همچنین افزایش کاربرد عملی در زمینه های روباتیک، اتومبیلخودران، هواپیماهای بدون سرنشی و واقعیت مجازی سبب محبوبیت ای نوع بازنمایی از داده ی سه بعدی شده است. با اینحال استفاده از شبکه های عصبی کانولوشنی به دلیل عدم نظم ذاتی و جایگشت پذیر بودن نقا در ای نوع داده، به شیوه یتصاویر دو بعدی امکان پذیر نمی باشد. در این مقاله به منظور طبقه بندی داده های سه بعدی از شبکه ای با پردازش مستقیم رویبازنمایی ابرنقطه ای از داده ی سه بعدی استفاده شده است. به منظور بهبود این شبکه استتفاده از مکانیزم توجه پیشنهادمی شود. برای ای منظور ماژول توجه ای در فضای سه بعدی متناسب با ساختار داده ی ابرنقطه و چالش های موجود برایپردازش آن طراحی گشته که ویژگی های غن یتر را از ورودی استخراج می کند تا امضای جهانی بدست آمده از کل شکل حاویاطلاعات بهتر و مفیدتری باشد. برای ارزیابی عملکرد شبکه از مجموعه داده ی معروف در امر طبقه بندی داده ی سه بعدی بهاسم modelnet40 استفاده شد و به دقت کل 89.9 % و میانگی دقتت 87.1 % رسیدیم. در انتها مقایسه ی نتایج ما باکارهای دیگران نشان می دهد که در صورت استفاده از این ماژول علاوه بر افزایش دقت، حجم محاسبات و زمان آموزش بسیارکاهش می یابد.
Keywords:
Authors
سحر احمدی سهرویه
دانشجوی کارشناسی ارشد مهندسی برق، دانشگاه علم و صنعت ایران، تهران
ستار میرزاکوچکی
دانشیار مهندسی برق، دانشگاه علم و صنعت ایران، تهران