3D-Datenwissenschaft mit Python

Kapitel 12. 3D Machine Learning: Clustering

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Die Extraktion von Bedeutung aus 3D-Daten ist kein einfaches Ziel. Wir beginnen mit riesigen Datensätzen, die reich an geometrischen Details sind und aus denen wir ein semantisches Verständnis extrahieren wollen(Kapitel 1), das wir für anspruchsvolle Aufgaben benötigen. Die erste Herausforderung ist die Diskrepanz zwischen Rohdaten und verwertbarem Wissen, die das Potenzial des maschinellen 3D-Lernens in verschiedenen Disziplinen wie Robotik, autonome Navigation und Szeneverständnis einschränkt.

Während wir von einem riesigen zugänglichen Korpus profitieren, um überwachte Modelle für Bild- oder Textmodalitäten zu trainieren, sind offen zugängliche beschriftete 3D-Datensätze selten. Das Fehlen von Markierungen macht überwachte Lernmethoden schwierig oder zu teuer, um sie in großem Maßstab zu implementieren.

Wir brauchen eine Methode, um diese Lücke zu schließen, ohne dabei in hohem Maße von der kostspieligen und arbeitsintensiven menschlichen Beschriftung abhängig zu sein. Daraus ergibt sich die Idee, Maschinen in die Lage zu versetzen, die innere Struktur von 3D-Daten selbstständig zu erkennen. Das würde die Effizienz steigern und es uns ermöglichen, zahlreiche Probleme zu lösen. Ich möchte dir zeigen, wie du dies mit Hilfe von unüberwachtem Lernen durch Clustering-Algorithmen erreichen kannst (siehe ...