Spiegelberg, Erik (2016)
Maschinelles Lernen von parametrischen Modellen zur Klassifizierung von 3D Objekten.
Technische Universität Darmstadt
Masterarbeit, Bibliographie
Kurzbeschreibung (Abstract)
Das Ziel dieser Masterarbeit ist es, parametrische Modelle als Datenbasis für maschinelles Lernen zu untersuchen. Dabei wird untersucht wie gut diese Datenbasis zur Klassifikation von 3D Objekten geeignet ist. Als Ansatz für parametrische Modelle wird die Generative-Modelling-Language(GML) verwendet. Diese ermöglicht die Erstellung von parametrischen 3D Modellen. Zunächst wird damit eine Auswahl an Objekten Modelliert und eine Vielzahl von Exemplaren produziert. Zur Transformation der Modelle in lernbare Daten werden die 3D Objekt Deskriptoren PANORAMA und DESIRE verglichen. Als Methoden des maschinellen Lernens werden Varianten von k-Means, SVM und ein Nearest-Neighbor Ansatz Verwendung. Es werden verschiedene Szenarien erstellt, welche die Eignung von GML und PANORAMA für machinelle Lernansätze zeigen. Bei der Auswertung werden verschiedene Teile des PANORAMA Deskriptors auf ihre Klassifizierungseffizienz untersucht. Die Ergebnisse Zeigen das maschinelles Lernen anhand von parametrisch konzeptionierten Modellen zur Klassifikation von realen Objekten geeignet ist.
| Typ des Eintrags: | Masterarbeit |
|---|---|
| Erschienen: | 2016 |
| Autor(en): | Spiegelberg, Erik |
| Art des Eintrags: | Bibliographie |
| Titel: | Maschinelles Lernen von parametrischen Modellen zur Klassifizierung von 3D Objekten |
| Sprache: | Deutsch |
| Publikationsjahr: | 2016 |
| Kurzbeschreibung (Abstract): | Das Ziel dieser Masterarbeit ist es, parametrische Modelle als Datenbasis für maschinelles Lernen zu untersuchen. Dabei wird untersucht wie gut diese Datenbasis zur Klassifikation von 3D Objekten geeignet ist. Als Ansatz für parametrische Modelle wird die Generative-Modelling-Language(GML) verwendet. Diese ermöglicht die Erstellung von parametrischen 3D Modellen. Zunächst wird damit eine Auswahl an Objekten Modelliert und eine Vielzahl von Exemplaren produziert. Zur Transformation der Modelle in lernbare Daten werden die 3D Objekt Deskriptoren PANORAMA und DESIRE verglichen. Als Methoden des maschinellen Lernens werden Varianten von k-Means, SVM und ein Nearest-Neighbor Ansatz Verwendung. Es werden verschiedene Szenarien erstellt, welche die Eignung von GML und PANORAMA für machinelle Lernansätze zeigen. Bei der Auswertung werden verschiedene Teile des PANORAMA Deskriptors auf ihre Klassifizierungseffizienz untersucht. Die Ergebnisse Zeigen das maschinelles Lernen anhand von parametrisch konzeptionierten Modellen zur Klassifikation von realen Objekten geeignet ist. |
| Freie Schlagworte: | Forschungsgruppe Semantic Models, Immersive Systems (SMIS), Machine learning, Parametric modeling, Generative Modeling Language (GML) |
| Zusätzliche Informationen: | 41 S. |
| Fachbereich(e)/-gebiet(e): | 20 Fachbereich Informatik 20 Fachbereich Informatik > Graphisch-Interaktive Systeme 20 Fachbereich Informatik > Mathematisches und angewandtes Visual Computing |
| Hinterlegungsdatum: | 23 Apr 2019 05:31 |
| Letzte Änderung: | 23 Apr 2019 05:31 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum