Experimentación en framework para redes neuronales con diferentes conjuntos de datos LiDAR reales y sintéticos
A día de hoy el aprendizaje automático está aplicándose dentro de muchos sectores para resolver una infinidad de problemas de ingeniería, arquitectura, medicina, arqueología, geomática, etc. Sin embargo, el entrenamiento de estos modelos de aprendizaje automático requiere de una gran cantidad de dat...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad de Jaén (UJA) |
| Repositorio: | CREA. Colección de recursos educativos abiertos |
| OAI Identifier: | oai:crea.ujaen.es:10953.1/27438 |
| Acceso en línea: | https://hdl.handle.net/10953.1/27438 |
| Access Level: | acceso abierto |
| Palabra clave: | Tecnología de los ordenadores Ciencia de los ordenadores 3304 Tecnología de los ordenadores 1203 Ciencia de los ordenadores |
| Sumario: | A día de hoy el aprendizaje automático está aplicándose dentro de muchos sectores para resolver una infinidad de problemas de ingeniería, arquitectura, medicina, arqueología, geomática, etc. Sin embargo, el entrenamiento de estos modelos de aprendizaje automático requiere de una gran cantidad de datos correctamente procesados y etiquetados. Esta investigación tendrá como objetivo reducir este problema en el contexto de entornos urbanos, combinando el uso de nubes de puntos LiDAR (Laser Detection and Ranging) reales y sintéticas. Para ello se proponen 2 hipótesis iniciales que se tratarán de validar: 1) El comportamiento de las redes obtenido a partir de un entrenamiento y testeo con nubes de puntos sintéticas generadas con el LiDAR virtual es similar al obtenido a partir de nubes de puntos reales. 2) El entrenamiento de las redes neuronales con nubes de puntos reales puede ser sustituido con un entrenamiento alimentado con datos completamente sintéticos, dando buenos resultados en el testeo con nubes de puntos reales. Entre los puntos más destacados, se abarcarán desafíos tales como la generación procedural de fragmentos de ciudades etiquetadas, la aplicación de un simulador LiDAR para la creación de un dataset sintético y la experimentación siguiendo el proceso Knowledge Discovery in Databases (KDD) con múltiples redes neuronales: PointNet++, Point Transformer y RepSurf. |
|---|