Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Piotr Zasiński

Sztuczna sieć neuronowa do estymacji parametrów geometrycznych obiektu odwzorowanego w obrazie 3D


Artificial neural network for estimation of geometric parameters of an object visualized in a 3D image


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Dodatkowy opiekun pracy dyplomowej: dr inż. Marek Kociński

Praca dyplomowa magisterska obroniona 2018-10-18
Streszczenie pracy dyplomowej:
W ramach niniejszej pracy opracowane zostało rozwia˛zanie oparte o sztuczna˛ siec´ neuronowa˛, pozwalaja˛ce na estymacje˛ wektorów normalnych do powierzchni obiektów odwzorowanych w obrazach 3D. Przetwarzane obrazy były obrazami składaja˛cymi sie˛ z wokseli - elementów obrazu analogicznych do dwuwymiarowych pikseli, a nie siatki wieloka˛tów, jak ma to miejsce w znacznej cze˛s´ci rozwia˛zan´ słuz˙a˛cych do estymacji wektorów normalnych dla obrazów 3D. Na potrzeby pracy wygenerowane zostały obrazy odwzorowuja˛ce proste przestrzenne figury geometryczne. Obrazy te zostały wykorzystane do uczenia i testów stworzonej sieci neuronowej. Powstaja˛ce rozwia˛zanie implementowane było w je˛zyku Python, a sie´c neuronowa tworzona i uczona z wykorzystaniem biblioteki TensorFlow. Zaprojektowana siec´ jest siecia˛ splotowa˛, która przyjmuje wycinek obrazu o wymiarach 7x7x7 woksela. Siec´ zwraca dla danego wycinka dwie wartos´ci - j i q be˛da˛ce współrze˛dnymi estymowanego wektora w sferycznym układzie współrz˛ednych. Trzecia współrz˛edna - r, nie jest estymowana, jako z˙e decyduje ona jedynie o długos´ci wektora. Stworzone rozwia˛- zanie daje satysfakcjonuja˛ce wyniki oraz charakteryzuje sie˛ zadowalaja˛ca˛ odpornos´cia˛ na szum. Otrzymywane wyniki zostały szerzej przeanalizowane w ramach pracy. Przedstawione zostały równie˙z wizualizacje estymowanych wektorów. Dokonana została wst˛epna analiza potencjalnej implementacji sprz˛etowej. Słowa kluczowe: [Sieci neuronowe], [Obrazy 3D], [Konwolucyjne sieci neuronowe], [Splotowe sieci neuronowe], [Wektory normalne], [TensorFlow].
Abstract:
As a result of work related to this thesis a solution for estimation of surface normal vectors for objects visualised in 3D images was created. The solution is based around an artificial neural network. The images that are being processed consist of voxels - image elements analogous to two-dimensional pixels, as opposed to polygon mesh that is predominant in papers dealing with the issue of surface normal estimation for 3D images. For the purpose of this work, images visualising simple 3D geometric shapes were generated. Those images were then used to teach and test the neural network that was being created. The solution was implemented using the Python programming language and the network was created and taught using the TensorFlow library. The designed network is a convolutional neural network that takes a 7x7x7 voxels image fragment as an input. For a given fragment the network returns two values - j and q, which are the spherical coordinates of the estimated vector. The coordinate r is not being estimated as it corresponds merely to the length of the vector. Created solution yields satisfactory results and displays sufficient noise resistance. Results obtained for the test examples were further scrutinized as a part of this thesis. Visualizations of the estimated surface normals were created and presented in the thesis. Preliminary analysis of potential hardware implementation was performed. Keywords: [Neural networks], [3D images], [Convolutional neural networks], [Surface normals], [TensorFlow].