Ciência de dados 3D com Python

Capítulo 13. Grafos e modelos de base para segmentação não supervisionada

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Extrair informação significativa de conjuntos de dados 3D é um desafio. Dispomos de dados maciços com detalhes intrincados, mas falta-nos a inteligência integrada necessária para tarefas de alto nível. Esta lacuna limita o potencial de compreensão avançada de cenas 3D: sem semântica e topologia, não podemos extrair objectos individuais e as suas relações, como cadeiras e mesas, e a sua disposição numa sala. Vamos tirar partido da aprendizagem automática 3D para extrair estes elementos.

A aprendizagem supervisionada, que prospera com dados etiquetados, é a nossa primeira investigação. No entanto, um grande obstáculo é a escassez de conjuntos de dados rotulados para dados 3D: sem uma grande quantidade de dados, a construção de um sistema deste tipo é limitada. A boa notícia é que os saltos tecnológicos são surpreendentes, especialmente quando aproveitamos a pesquisa de ponta em segmentação não supervisionada. Mas para trazer o raciocínio ao nível humano para os computadores, é crucial extrair significados formalizados das entidades 3D que observamos.

É por isso que combinamos neste capítulo nuvens de pontos 3D, teoria dos grafos e Deep Learning para desbloquear novas capacidades de compreensão de cenas para interpretar o nosso mundo visual. Entre estes avanços, gostaria de me concentrar em ...