User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Persistent Learning for Semantic Indoor Mapping in Dynamic Environments
Translated title:
Persistentes Lernen für semantische Innenraumkartierung in dynamischen Umgebungen
Author:
Denninger, Maximilian
Year:
2023
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Triebel, Rudolph (Priv.-Doz. Dr.)
Referee:
Triebel, Rudolph (Priv.-Doz. Dr.); Leibe Bastian (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
Machine Learning, Deep Learning, 3D Scene Reconstruction, Semantic Segmentation, Scene Compression
Translated keywords:
Machine Learning, Deep Learning, 3D Szenen Rekonstruktion, Semantische Segmentierung, Szenen Komprimierung
TUM classification:
DAT 760; DAT 770
Abstract:
Leveraging deep learning, we propose in this work an approach to tackle the problem of 3D scene reconstruction from single color images in indoor spaces. We rely here on synthetic data and show how to tackle the hard problem of sim2real transfer. Besides a 3D scene reconstruction, we further provide a semantic segmentation of the current viewport.
Translated abstract:
In dieser Arbeit wird mittels des Einsatzes von tiefen neuronalen Netzen ein Ansatz zur Bewältigung des Problems der dreidimensionalen Szenenrekonstruktion aus einzelnen Farbbildern in Innenräumen vorgestellt. Hierbei wird auf synthetische Daten zurückgegriffen und es wird aufgezeigt, wie die Herausforderungen des Sim2Real-Transfers bewältigt werden können. Zusätzlich zur 3D-Szenenrekonstruktion wird eine semantische Segmentierung des aktuellen Sichtfensters generiert.
WWW:
https://mediatum.ub.tum.de/?id=1703886
Date of submission:
28.03.2023
Oral examination:
07.12.2023
File size:
31680023 bytes
Pages:
177
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231207-1703886-1-6
Last change:
10.02.2024
 BibTeX