3D Point Cloud Analysis: Traditional, Deep Learning, and Explainable Machine Learning Methods
Ez a könyv bemutatja a pontfelhőt, annak ipari alkalmazásait és a leggyakrabban használt adatkészleteket. Elsősorban három számítógépes látási feladatra - a pontfelhő osztályozására, szegmentálására és regisztrálására - összpontosít, amelyek alapvető fontosságúak minden pontfelhő-alapú rendszer számára. A hagyományos pontfelhő-feldolgozási módszerek áttekintése segíti az olvasót a háttértudás gyors felépítésében, míg a pontfelhőkön végzett mélytanulás módszerei az elmúlt évek áttöréseinek átfogó elemzését tartalmazzák. Ezt követően alaposan bemutatásra kerülnek a pontfelhő-tanulás vadonatúj, magyarázható gépi tanulási módszerei, amelyek könnyűek és könnyen betaníthatók. Kvantitatív és kvalitatív teljesítményértékeléseket adunk. A háromféle módszer összehasonlítása és elemzése segíti az olvasókat a mélyebb megértésben.
A 2D-s látás gazdag mélytanulási szakirodalmának köszönhetően a 3D-s látáskutatók természetes hajlama, hogy mélytanulási módszereket fejlesszenek ki a pontfelhő-feldolgozáshoz. A pontfelhőkön történő mélytanulás 2017 óta egyre népszerűbb, és az ezen a területen megjelenő konferencia-előadások száma folyamatosan növekszik. A 2D-s képekkel ellentétben a pontfelhők nem rendelkeznek meghatározott sorrenddel, ami a pontfelhők mélytanulással történő feldolgozását meglehetősen nagy kihívássá teszi. Emellett a pontfelhők geometriai jellege miatt az iparban még mindig széles körben használják a hagyományos módszereket. Ezért e könyv célja, hogy az olvasók megismerkedjenek ezzel a területtel, átfogó áttekintést nyújtva a hagyományos módszerekről és a legkorszerűbb mélytanulási módszerekről.
A könyv jelentős része a magyarázható gépi tanulással foglalkozik, mint a mélytanulástól eltérő megközelítéssel. A magyarázható gépi tanulás módszerei egy sor előnyt kínálnak a hagyományos módszerekkel és a mélytanulási módszerekkel szemben. Ez a könyv egyik fő fénypontja és újdonsága. Három kutatási feladat - 3D objektumfelismerés, szegmentálás és regisztrálás - módszerünkkel történő kezelésével az olvasók megérezzék, hogyan lehet másképp megoldani a problémákat, és a kereteket más 3D számítógépes látási feladatokra is alkalmazhatják, így inspirációt kapnak saját jövőbeli kutatásaikhoz.
Számos kísérlet, elemzés és összehasonlítás három 3D-s számítógépes látási feladatra (objektumfelismerés, szegmentálás, detektálás és regisztrálás) vonatkozóan, hogy az olvasók megtanulhassák, hogyan lehet megoldani a nehéz számítógépes látási problémákat.
