Сегментација једне класе површи другог реда из структуираног облака тачака: проблем одређивања прагова

Abstract

U radu je predstavljen metod automatskog izbora pragova segmentacije zasnovan na upotrebi veštačkih neuronskih mreža. Ovaj metod predstavlja dopunu algoritmu segmentacije jedne klase kvadrika iz struktuiranih oblaka tačaka čime ga čini visoko autonomnim. Upotreba neuronskih mreža u ovom slučaju je bazirana na njihovom prethodnom obučavanju, a zatim korišćenju za automatsko generisanje pragova pri segmentaciji skeniranih kontura i struktuiranih oblaka tačaka od interesa. Za obučavanje mreža korišćeni su odgovrajući parametri jednog broja G1 kontinualnih sintetizovanih kontura koje sadrže eliptične segmente. Korišćenjem istih uslova obučen je određeni broj mreža različitih struktura koje su iskorišćene za segmentaciju jednog sintetizovanog struktuiranog oblaka tačaka. Izvršena je analiza rezultata segmentacije i izdvojena je mreža sa najboljim performansama. Njenom upotrebom su zatim automatski generisane vrednosti pragova za segmentaciju i jednog realnog oblaka tačaka čime je izvršena eksperimentalna verifikacija predloženog metoda.

This paper presents a method for automatic detection of thresholds in segmentation of quadrics from structured point clouds. The method employs artificial neural networks and it presents an addition to previously developed algorithm for segmentation of a class of quadric surfaces from structured 3D point clouds. Trained neural networks generate thresholds values for segmentation of scanned contours and point clouds. A number of G1 continuous synthesized contours with elliptical segments represent a basis for network training. We have trained several neural networks with different structures under the same conditions. The best available neural network is chosen based on the results of segmentation of one synthesized structured point cloud. We have tested this neural network in estimation of thresholds for segmentation of one real world point cloud and it has shown excellent performance.