Використання симпліціальної топології в глибокому навчанні для відновлення цілісності хмар точок

Скорочена інформація про документ
dc.contributor.advisorЯворський, Олександр Андрійович
dc.contributor.authorКириленко, Павло Олександрович
dc.date.accessioned2025-06-12T07:47:10Z
dc.date.available2025-06-12T07:47:10Z
dc.date.issued2025
dc.description.abstractКваліфікаційна робота містить: 86 стор., 25 рисунки, 2 таблиць, 28 джерел. У цій магістерській роботі досліджується підхід до реконструкції тривимірних хмар точок із використанням методів глибокого навчання, доповнених інструментами симпліціальної аналізу. Проблема неповних або зашумлених сканів поширене явище у 3D-даних, зокрема з LIDAR-сканерів, де окремі ділянки можуть бути відсутні або спотворені. Більшість сучасних нейромережевих архітектур працюють з окремими точками або ребрами, і часто не враховують складні топологічні взаємозв'язки між поверхнями об'єктів. У роботі реалізовано архітектуру симпліціальних нейронних мереж (Simplicial Neural Networks, SNN), яка дозволяє моделювати взаємодію не лише між вершинами і ребрами, а й між трикутниками, що значно підвищує точність реконструкції. Для перевірки підходу було реалізовано чотири варіанти архітектур SNN (residual, gated, attention, hetero) та проведено серію експериментів на наборі даних ModelNet40. Оцінювання результатів здійснювалось за допомогою поширених метрик, таких як MSE, Chamfer, Hausdorff та F1-score.
dc.description.abstractotherQualification work contains: 86 pages, 25 figures, 2 tables, 28 sources. This master's thesis explores an approach to reconstructing three-dimensional point clouds using deep learning methods, supplemented with simplicial analysis tools. The problem of incomplete or noisy scans is a common phenomenon in 3D data, in particular from LIDAR scanners, where some areas may be missing or distorted. Most modern neural network architectures work with individual points or edges, and often do not take into account complex topological relationships between object surfaces. In this work, we implemented the architecture of Simplicial Neural Networks (SNN), which allows modeling the interaction not only between vertices and edges, but also between triangles, which significantly improves the reconstruction accuracy. To verify the approach, we implemented four variants of SNN architectures (residual, gated, attention, hetero) and conducted a series of experiments on the ModelNet40 dataset. The results were evaluated at using common metrics such as MSE, Chamfer, Hausdorff, and F1-score.
dc.format.extent85 с.
dc.identifier.citationКириленко, П. О. Використання симпліціальної топології в глибокому навчанні для відновлення цілісності хмар точок : магістерська дис. : 113 Прикладна математика / Кириленко Павло Олександрович. – Київ, 2025. – 86 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74210
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсимпліціальний аналіз
dc.subjectsimplicial neural network
dc.subject3d-реконструкція
dc.subjectхмари точок
dc.subjectchamfer distance
dc.subjectlidar
dc.subjectглибоке навчання
dc.subject.udc004.8:515.1:519.6
dc.titleВикористання симпліціальної топології в глибокому навчанні для відновлення цілісності хмар точок
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kyrylenko_magistr.pdf
Розмір:
2.61 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММАД)
Магістерські роботи