3D-Datenwissenschaft mit Python

Kapitel 13. Graphen und Basismodelle für die unüberwachte Segmentierung

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

Die Extraktion von aussagekräftigen Informationen aus 3D-Datensätzen ist eine Herausforderung. Wir haben riesige Datenmengen mit komplizierten Details, aber uns fehlt die integrierte Intelligenz, die wir für übergeordnete Aufgaben benötigen. Diese Lücke schränkt das Potenzial für ein fortschrittliches 3D-Szenenverständnis ein: Ohne Semantik und Topologie können wir keine einzelnen Objekte und ihre Beziehungen, wie z. B. Stühle und Tische, und ihre Anordnung in einem Raum extrahieren. Nutzen wir das maschinelle 3D-Lernen, um diese Informationen zu extrahieren.

Unsere erste Untersuchung ist das überwachte Lernen, das sich auf markierte Daten stützt. Eine große Hürde ist jedoch der Mangel an beschrifteten Datensätzen für 3D-Daten: Ohne eine große Menge an Daten ist die Entwicklung eines solchen Systems nur begrenzt möglich. Die gute Nachricht ist, dass die technologischen Sprünge erstaunlich sind, vor allem, wenn wir die neuesten Forschungsergebnisse zur unüberwachten Segmentierung nutzen. Doch um das menschliche Denken auf den Computer zu übertragen, müssen wir aus den 3D-Objekten, die wir beobachten, formalisierte Bedeutungen extrahieren.

Deshalb kombinieren wir in diesem Kapitel 3D-Punktwolken, Graphentheorie und Deep Learning, um neue Möglichkeiten für das Verständnis unserer ...