Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Persistent Learning for Semantic Indoor Mapping in Dynamic Environments
Übersetzter Titel:
Persistentes Lernen für semantische Innenraumkartierung in dynamischen Umgebungen
Autor:
Denninger, Maximilian
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Triebel, Rudolph (Priv.-Doz. Dr.)
Gutachter:
Triebel, Rudolph (Priv.-Doz. Dr.); Leibe Bastian (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
Machine Learning, Deep Learning, 3D Scene Reconstruction, Semantic Segmentation, Scene Compression
Übersetzte Stichworte:
Machine Learning, Deep Learning, 3D Szenen Rekonstruktion, Semantische Segmentierung, Szenen Komprimierung
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
28.03.2023
Mündliche Prüfung:
07.12.2023
Dateigröße:
31680023 bytes
Seiten:
177
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231207-1703886-1-6
Letzte Änderung:
10.02.2024
 BibTeX