شکوه احمدی - دانشکده فنی و مهندسی
دانشکده مهندسی
گروه کامپیوتر
پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیک
عنوان:
طبقهبندی و استخراج روابط پشتیبان اجزا در تصاویر RGB-D از صحنههای داخلی
استاد راهنما:
دکتر حسن ختنلو
اساتید داور:
دکتر میرحسین دزفولیان
دکتر محرم منصوریزاده
نگارش:
شکوه احمدی
یکشنبه، 18 شهریور 1397
دانشکده مهندسی، سالن آمفی تئاتر
ساعت: 12:30-11
Bu-Ali Sina University
Faculty of Engineering
Department of Computer
Thesis submitted for Master of Science in computer Engineering-Artificial Intelligence and Robotic
Title
Object Classification and Support Relation Extraction from RGB-D Indoor Scenes
Supervisor
Dr. Hassan Khotanlou
Reviewers
Dr. Mir Hossein Dezfoulian
Dr. Muharram Mansoori Zadeh
By:
Shokouh Ahmadi
September, 9, 2018
Faculty of Engineering Amphitheater
11-12:30 A.M.
چكيده:
یک ربات در تعامل با محیط علاوه بر درک بصری، به درک فیزیکی از محیط نیز نیازمند است. با گسترش کاربردهای رباتیکی نیاز به درک صحنه بهتر افزایش یافته است. رابطه پشتیبانی یک تعامل فیزیکی بین اجسام است که آگاهی از آن در جابه¬جایی¬ها ضروری است. در این پژوهش یک روش برای طبقه¬بندی اجزا بر اساس چارچوبی پشته¬ای از طبقه¬بندها و ویژگی-های ساختار پیشنهاد شد. سپس روابط پشتیبان بین اجزا برای قطعه¬بندی بهبود یافته براساس نتایج این طبقه¬بند استخراج شد. در این روش به منظور کاهش هزینههای محاسباتی از تجمیع پیکسل¬ها در سوپرپیکسل¬ها و انجام محاسبات بر روی این واحد¬ها به جای محاسبات پیکسلی استفاده شد. روش پیشنهادی برای محیط¬های داخلی که اغلب شامل صحنه¬های شلوغ و پرچالش هستند، طراحی شده است. مدل پیشنهادی با استفاده از مجموعه داده NYU-v2 آموزش و ارزیابی شد. ارزیابی نتایج نشان داد که روش پیشنهادی با وجود سادگی و کاهش هزینه¬های محاسباتی در طبقه¬بندی اشیا صحنه عملکرد بسیار خوبی داشته و نتایج استنتاج روابط پشتیبان را به¬طور قابل ملاحظه¬ای بهبود داده است. این بهبود همچنین ناشی از بهبود و یکپارچه¬سازی زمین و ساختار است. در این پژوهش نشان داده شد که با ارائه روشی مبتنی بر ویژگی¬های ساختار می¬توان ساختار ساختمانی صحنه¬های داخلی را با موفقیت از سایر اجزا صحنه، حتی در صحنه¬های شلوغ تفکیک کرد و در نتیجه آن استنتاج روابط پشتیبان را به¬طور چشمگیری بهبود داد.
واژههای کلیدی: رابطه پشتیبانی، استنتاج پشتیبان، درک صحنه سه بعدی، طبقه¬بندی صحنه سه بعدی، طبقه¬بند پشته¬ای، قطعه¬بندی صحنه سه بعدی
Abstract:
The robotic interaction relies on physical understanding, as well as visuals, in the environments. With the growth in robotics usage, scene understanding improvement necessities increases. Support relationship is a physical relation between objects which is necessary to know in manipulation tasks. This thesis proposes a stacked classification approach based on structural features. Then the segmentation has been improved using classification results and vice versa, and support relations between objects extract based on improved segmentation. In this approach the computation performs on the supper-pixel, as pixel-wise computation is costly. The proposed approach uses to interpret in heavy occluded and challenging indoor scenes. The model is trained and tested on the NYU-v2 dataset. The experimental results demonstrate that our approach, simplicity and affordably outperforms state-of-the-art methods in class classification. Furthermore, we obtain the best floor class classification, keeping other class classification results around the bests; and show how improvement and consistency in floor and structure detection significantly increases support relations extraction results. Totally, we demonstrate an improvement structural classification based on structure features significantly improves support relation extraction, even in occluded indoor scenes.
Key Words: support relationship, support inference, 3D scene understanding, 3D scene classification, stack classifier, 3D scene segmentation
مشخصات فردی
نام و نام خانوادگی: شکوه شلیل احمدی
رشته تحصیلی : هوش مصنوعی و رباتیکز
مقطع: کارشناسی ارشد
پست الکترونیک: shokouh_ahmadi@yahoo.com
سوابق تحصیلی
کارشناسی مهندسی کامپیوتر-نرم افزار دانشگاه شهید چمران اهواز (89-93)
علایق و تواناییهای فردی
برنامه نویسی C، C++، Java، Pascal، VB، html، php، css، Android
مسلط به نرم افزار متلب
با پردازنده ها و میکرو پروسسورها- کار با میکروکنترلرهای ARM
بینایی ماشین، یادگیری ماشین، پردازش تصویر، پردازش تکاملی، شناسایی الگو، روش ها و سیستم های فازی