< Terug naar vorige pagina

Project

Schaarse codering van dynamische puntenwolken voor scèneanalyse en -reconstructie (SPYDER (FWOAL1048)

Met de recente uitbreiding van sensoren die diepte-informatie samen
met andere visuele cues aangeven, beginnen driedimensionale (3D)
puntenwolken een cruciale rol te spelen in veel toepassingen, zoals
autonome navigatie, robotica, virtuele en augmented reality. De
snelle groei aan apparaten zoals RGB-D-camera's en LiDAR leidt tot
enorme hoeveelheden 3D-gegevens die worden waargenomen en
geanalyseerd door verschillende machine vision-systemen. Het
opslaan en verwerken van deze data vormt snel een bottleneck voor
een verwerkingssysteem. Daarom is het ontwerpen van compacte
(sparse) representaties die efficiënte opslag en analyse on-the-fly
mogelijk maken een grote uitdaging. Het direct toepassen van deep
learning-modellen op puntenwolken is niet mogelijk omdat ze niet
gestructureerd en niet geordend zijn. Vooral uitdagend is het
verwerken van reeksen puntenwolken. Hoewel veel
herkenningstaken profiteren van het gebruik van temporele
informatie van de gemonitorde scène, is de verwerking van dergelijke
dynamische puntenwolken erg moeilijk omdat ze niet worden
weergegeven op een regelmatig spatio-temporeel raster. Een ander
cruciaal probleem is het analyseren van onbewerkte puntenwolken
zonder te hoeven vertrouwen op veel geannoteerde voorbeelden. Er
is veel vraag naar dergelijke generatieve modellen. Het SPYDERproject wil deze uitdagingen oplossen door een generiek raamwerk te
ontwikkelen voor generatieve en schaalbare modellen voor statische
en dynamische puntenwolken.
Datum:1 jan 2022 →  Heden
Trefwoorden:schaarse codering, diep leren, puntenwolkverwerking
Disciplines:Computer vision, Datavisualisatie en beeldvorming, Beeld- en taalverwerking, Patroonherkenning en neurale netwerken