Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/87990
Title: Avaliação de Qualidade de Nuvens de Pontos baseada em Aprendizagem Profunda
Other Titles: Point Cloud Quality Prediction using Deep Learning Models
Authors: Duarte, Carlos Rafael Lopes
Orientador: Cruz, Luís Alberto da Silva
Keywords: 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
Issue Date: 26-Jul-2019
Serial title, monograph or event: Avaliação de Qualidade de Nuvens de Pontos baseada em Aprendizagem Profunda
Place of publication or event: DEEC
Abstract: 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.
Point Clouds has been one of the most promising and explored technologies regarding 3D object representation and 3D mapping. However, the solutions to automatically evaluate the visual quality of this type of contents are not yet satisfactory. This Master Thesis propose a new methodology for Objective Quality Assessment of Point Clouds based on Subjective Quality Assessment results, using Deep Learning, particularly Convolutional Neural Networks. The goal of this work was to retrain pre-trained Convolutional Neural Networks, using Transfer Learning, to predict the visual quality of this type of contents. For this it was necessary to find new alternative ways to represent Point Clouds to, together with Subjective Quality Assessment results, train the Convolutional Neural Networks. Finally, after training the networks, an additional dataset was created to confirm the quality of the obtained results. The trained networks were used to predict the quality scores for the additional dataset. After this, some performance indexes were computed comparing the predicted scores against the subjective ground truth. The best results to these contents were 0.2601 of Root Mean Square Error (RMSE), 0.9822 of Pearson Correlation Coefficient (PCC), 0.9137 of Spearman’s Rank Order Correlation Coefficient and 0.2778 of Outlier Ratio (OR). The results obtained show that is possible to predict the subjective visual quality of Point Clouds using Deep Learning, particularly CNNs, outperforming state-of-art results.
Description: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/87990
Rights: embargoedAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Dissertacao_Carlos Rafael Lopes Duarte.pdf16.61 MBAdobe PDFView/Open
Show full item record

Page view(s)

89
checked on Nov 28, 2022

Download(s)

107
checked on Nov 28, 2022

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons