TU Darmstadt / ULB / TUbiblio

Maschinelles Lernen von parametrischen Modellen zur Klassifizierung von 3D Objekten

Spiegelberg, Erik (2016):
Maschinelles Lernen von parametrischen Modellen zur Klassifizierung von 3D Objekten.
Darmstadt, TU, Master Thesis, 2016, [Master Thesis]

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.

Item Type: Master Thesis
Erschienen: 2016
Creators: Spiegelberg, Erik
Title: Maschinelles Lernen von parametrischen Modellen zur Klassifizierung von 3D Objekten
Language: German
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.

Uncontrolled Keywords: Forschungsgruppe Semantic Models, Immersive Systems (SMIS), Machine learning, Parametric modeling, Generative Modeling Language (GML)
Divisions: 20 Department of Computer Science
20 Department of Computer Science > Interactive Graphics Systems
20 Department of Computer Science > Mathematical and Applied Visual Computing
Date Deposited: 23 Apr 2019 05:31
Additional Information:

41 S.

Export:
Suche nach Titel in: TUfind oder in Google
Send an inquiry Send an inquiry

Options (only for editors)

View Item View Item