Grazie all’utilizzo delle tecnologie oramai in voga, relative al deep learning, in questo scritto vengono spiegati tutti i processi svolti per il raggiungimento degli obiettivi prefissati a inizio tirocinio. In particolare l’utilizzo di reti generative e di classificazione per le nuvole di punti. Con le reti generative vengono creati nuovi oggetti che poi verranno aggiunti a quelli già presenti nel dataset, nel tentativo di ampliarlo con qualità, utilizzando metodi innovativi. Queste operazioni vengono effettuate con l’intento di creare oggetti qualitativamente buoni, tali da poter essere comparati a quelli reali. Con le reti generative vengono creati questi oggetti. Con la classificazione vengono misurate quantitativamente le differenze del dataset prima e dopo l’aggiunta degli oggetti generati.

Reti Generative Avversarie (GAN) come tecnica di data augmentation per i task di classificazione e segmentazione semantica di nuvole di punti.

SALVATELLI, RICCARDO
2020/2021

Abstract

Grazie all’utilizzo delle tecnologie oramai in voga, relative al deep learning, in questo scritto vengono spiegati tutti i processi svolti per il raggiungimento degli obiettivi prefissati a inizio tirocinio. In particolare l’utilizzo di reti generative e di classificazione per le nuvole di punti. Con le reti generative vengono creati nuovi oggetti che poi verranno aggiunti a quelli già presenti nel dataset, nel tentativo di ampliarlo con qualità, utilizzando metodi innovativi. Queste operazioni vengono effettuate con l’intento di creare oggetti qualitativamente buoni, tali da poter essere comparati a quelli reali. Con le reti generative vengono creati questi oggetti. Con la classificazione vengono misurate quantitativamente le differenze del dataset prima e dopo l’aggiunta degli oggetti generati.
2020
2021-07-22
Generative adversarial network as data augmentation technique for semantic point cloud classification and segmentation tasks.
File in questo prodotto:
File Dimensione Formato  
Tesi-Riccardo-Salvatelli_definitiva.pdf

Open Access dal 22/07/2024

Dimensione 4.89 MB
Formato Adobe PDF
4.89 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/475