Detail práce

Deep Neural Networks for Landmark Detection on 3D Models

Bakalářská práce Student: Kubík Tibor Akademický rok: 2020/2021 Vedoucí: Španěl Michal, Ing., Ph.D.
Název česky
Hluboké neuronové sítě pro detekci landmarků na 3D modelu
Jazyk práce
anglický
Abstrakt

Detekcia významných bodov je častým krokom pri analýze medicínskych dát. Čoraz bežnejšie sú tieto dáta reprezentované vo forme 3D modelov, príkladom sú povrchové skeny zubného oblúka pacienta. Hlboké neurónové siete sú vhodný spôsob, ako detekovať významné body v obraze. V prípade 3D dát je však toto spracovanie časovo i pamäťovo náročné, čo nevyhovuje požiadavkám kladeným medicínskymi aplikáciami. V tejto práci navrhujem metódu, ktorá tento problém eliminuje a detekuje významné body na povrchu polygonálnych modelov čeľustí. V metóde sú použité rôzne architektúry neurónových sietí, založené na architektúre U-Net. Viacpohľadový prístup presúva spracovanie do 2D, kde navrhnuté architektúry detekujú body regresiou tepelných máp z niekoľkých pohľadov. Pomocou konsezus metódy je následne z týchto pohľadov určená konečná pozícia bodov v 3D priestore. V práci sú predstavené experimenty s dvoma konsenzus metódami: stredná hodnota predikcií a geometrický prístup založený na algoritme RANSAC a metóde najmenších štvorcov. Experimenty ukázali, že varianta kombinujúca Attention U-Net, 100 pohľadov a geometrickú konsenus metódu je schopná detekovať významné body s chybou 1.20 +- 1.81 mm, pričom 94.01% predikcií dosahuje chybu menšiu ako 2 mm.

Klíčová slova

detekcia landmarkov v 3D, polygonálne modely, viacpohľadové neurónové siete, RANSAC, U-Net, regresia tepelných máp

Ústav
Studijní program
Informační technologie
Soubory
Stav
obhájeno, hodnocení A
Obhajoba
14. června 2021
Oponent
Průběh obhajoby

Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.

Otázky u obhajoby
  1. Proč byla jako chybová funkce zvolena RMSE místo běžněji používané MSE?
  2. V datech je nedostatek vzorků pro určité zuby (3. stoličky), což částečně omezuje dosaženou přesnost. Jak byste tento problém v budoucnu prakticky řešil, pokud by další data nebyla k dispozici?
Komise
Zemčík Pavel, prof. Dr. Ing. (UPGM FIT VUT), předseda
Burget Lukáš, doc. Ing., Ph.D. (UPGM FIT VUT), člen
Holík Lukáš, doc. Mgr., Ph.D. (UITS FIT VUT), člen
Martínek Tomáš, doc. Ing., Ph.D. (UPSY FIT VUT), člen
Matoušek Petr, doc. Ing., Ph.D., M.A. (UIFS FIT VUT), člen
Citace
KUBÍK, Tibor. Deep Neural Networks for Landmark Detection on 3D Models. Brno, 2021. Bakalářská práce. Vysoké učení technické v Brně, Fakulta informačních technologií. 2021-06-14. Vedoucí práce Španěl Michal. Dostupné z: https://www.fit.vut.cz/study/thesis/23507/
BibTeX
@bachelorsthesis{FITBT23507,
    author = "Tibor Kub\'{i}k",
    type = "Bakal\'{a}\v{r}sk\'{a} pr\'{a}ce",
    title = "Deep Neural Networks for Landmark Detection on 3D Models",
    school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}",
    year = 2021,
    location = "Brno, CZ",
    language = "english",
    url = "https://www.fit.vut.cz/study/thesis/23507/"
}
Nahoru