3D point cloud classification with GANs: ACGAN and VACWGAN-GP

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: ONUR ERGÜN

Danışman: YUSUF SAHİLLİOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Gelişen teknoloji ve sensörlerin gücüyle birlikte, 3B veriler neredeyse her alanda kullanılmaya başlanmıştır. LIDAR sensörleriyle tespit edilmiş veya sentetik 3 boyutlu ağların örneklenmesiyle elde edilmiş nokta bulutları; otonom sürüşten veri görselleştirmeye, yeni veri ve 3 boyutlu ağ üretmekten tespit edilen 3 boyutlu nesnelerin sınıflandırılmasına kadar bir çok alanda ön plana çıkmaya başlamıştır. Üretilen bu verilerin anlamlandırılmasında ve çeşitli uygulamalarının gerçeklenmesinde makine öğrenmesi ve derin öğrenme teknikleri sıkça kullanılmaktadır. Bu çalışmada, biz, etiketlenmiş veri ile çalışan bir çeşit Çekişmeli Sinir Ağları olan Sınıflandırıcı Eklenmiş Çekişmeli Sinir Ağları ile 3B nokta bulutunun ait olduğu sınıfı tahmin etmesi için bir ağ öneriyoruz. Diğer sınıflandırıcılardan farklı olarak; üretici modellerin gücünden yararlanarak üretilen veriler ile sınırlı veri setini büyütebiliyor ve modeli daha fazla veri ile eğiterek başarısının arttırılmasını hedefliyoruz. Sınıflandırıcı Eklenmiş Çekişmeli Sinir Ağları modellerinin önerdiği şekilde, gerçek verisetine ek olarak Üretici tarafından sınıf etiketi kullanılarak üretilen sentetik veriler ile eğitilen Ayrıştırıcı sayesinde; gerçek ve sahte veriyi ayırırken aynı zamanda verinin sınıflandırılabilmesini de sağlıyoruz. Böylece, eğitim ilerlerken Üretici daha gerçekçi veriler üretmek için eğitilirken; Ayrıştırıcıyı da daha iyi sınıflandırmaya zorlamaktadır. Gradyan Cezalandırmalı Wassertein Çekişmeli sinir ağları ise benzer yetenekleri, Ayrıştırıcıyı Eleştirmen ile değiştirip; kayıp fonksiyonunu değiştirerek daha iyi bir eğitim ile göstermektedir. Bu çalışmada, biz Gradyan Cezalandırmalı Wasserstein Çekişmeli sinir ağlarını koşullu Çekişmeli Sinir Ağları ile birleştirerek veri sınıflandırma performansını iyileştirmeye odaklanıyoruz. Yapılan bu çalışma ile önerilen modeller 3 boyutlu verisetleri üzerinde denenmiş ve sonuçları diğer çalışmalar ile karşılaştırılmıştır.