Publicação
Avaliação de Qualidade de Nuvens de Pontos baseada em Aprendizagem Profunda
| Resumo: | A tecnologia de Nuvens de Pontos tem sido uma das mais promissoras e mais exploradas no que toca à representação de objetos e mapeamento 3D. No entanto a avaliação de qualidade visual deste tipo de conteúdos ainda não é considerada satisfatória. Esta dissertação propõe um novo método de Avaliação Objetiva de Qualidade de Nuvens de Pontos baseada em resultados de Avaliação Subjetiva de Qualidade, utilizando Aprendizagem Profunda, particularmente Redes Neuronais Convolucionais. Este trabalho consistiu em retreinar Redes Neuronais Convolucionais pré-treinadas, usando Transfer Learning para prever de forma objetiva a qualidade deste tipo de conteúdos. Para isto foi necessário encontrar formas alternativas de representação de Nuvens de Pontos, particularmente projeções 2D, para que estas, em conjunto com resultados de Avaliação Subjetiva de Qualidade, pudessem ser utilizados para treinar as Redes Neuronais Convolucionais. Por fim, após o treino das redes, foi criado um dataset suplementar de teste para confirmar a validade e qualidade dos resultados. As redes treinadas foram então utilizadas para prever os valores de qualidade para o dataset suplementar. Para os valores preditos pela rede, foram calculados fatores de desempenho que os comparam com os resultados subjetivos considerando estes últimos como referência. Os melhores resultados obtidos para estes conteúdos foram: 0.2601 de Raíz do Erro Médio Quadrático (Root Mean Square Error - RMSE), 0.9822 de Coeficiente de Correlação de Pearson (Pearson Correlation Coefficient - PCC), 0.9137 de Coeficiente de Correlação de Spearman (Spearman’s Rank Order Correlation Coefficient - SROCC) e 0.2778 de Rácio de Outliers (Outlier Ratio - OR). Os resultados obtidos mostram que é possível utilizar Aprendizagem Profunda para avaliar a qualidade visual destes conteúdos, superando os resultados de estado da arte presentes na literatura. |
|---|---|
| Autores principais: | Duarte, Carlos Rafael Lopes |
| Assunto: | Nuvens de Pontos Avaliação Objetiva de Qualidade Avaliação Subjetiva de Qualidade Aprendizagem Profunda Transfer Learning Point Clouds Objective Quality Asessment Subjective Quality Assessment Deep Learning Transfer Learning |
| Ano: | 2019 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso embargado |
| Instituição associada: | Universidade de Coimbra |
| Idioma: | português |
| Origem: | Estudo Geral - Universidade de Coimbra |
| Resumo: | A tecnologia de Nuvens de Pontos tem sido uma das mais promissoras e mais exploradas no que toca à representação de objetos e mapeamento 3D. No entanto a avaliação de qualidade visual deste tipo de conteúdos ainda não é considerada satisfatória. Esta dissertação propõe um novo método de Avaliação Objetiva de Qualidade de Nuvens de Pontos baseada em resultados de Avaliação Subjetiva de Qualidade, utilizando Aprendizagem Profunda, particularmente Redes Neuronais Convolucionais. Este trabalho consistiu em retreinar Redes Neuronais Convolucionais pré-treinadas, usando Transfer Learning para prever de forma objetiva a qualidade deste tipo de conteúdos. Para isto foi necessário encontrar formas alternativas de representação de Nuvens de Pontos, particularmente projeções 2D, para que estas, em conjunto com resultados de Avaliação Subjetiva de Qualidade, pudessem ser utilizados para treinar as Redes Neuronais Convolucionais. Por fim, após o treino das redes, foi criado um dataset suplementar de teste para confirmar a validade e qualidade dos resultados. As redes treinadas foram então utilizadas para prever os valores de qualidade para o dataset suplementar. Para os valores preditos pela rede, foram calculados fatores de desempenho que os comparam com os resultados subjetivos considerando estes últimos como referência. Os melhores resultados obtidos para estes conteúdos foram: 0.2601 de Raíz do Erro Médio Quadrático (Root Mean Square Error - RMSE), 0.9822 de Coeficiente de Correlação de Pearson (Pearson Correlation Coefficient - PCC), 0.9137 de Coeficiente de Correlação de Spearman (Spearman’s Rank Order Correlation Coefficient - SROCC) e 0.2778 de Rácio de Outliers (Outlier Ratio - OR). Os resultados obtidos mostram que é possível utilizar Aprendizagem Profunda para avaliar a qualidade visual destes conteúdos, superando os resultados de estado da arte presentes na literatura. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.