A study of the effect of noise and occlusion on the accuracy of convolutional neural networks applied to 3D object recognition

Empreu sempre aquest identificador per citar o enllaçar aquest ítem http://hdl.handle.net/10045/72633
Información del item - Informació de l'item - Item information
Títol: A study of the effect of noise and occlusion on the accuracy of convolutional neural networks applied to 3D object recognition
Autors: Garcia-Garcia, Alberto | Garcia-Rodriguez, Jose | Orts-Escolano, Sergio | Oprea, Sergiu | Gomez-Donoso, Francisco | Cazorla, Miguel
Grups d'investigació o GITE: Informática Industrial y Redes de Computadores | Robótica y Visión Tridimensional (RoViT)
Centre, Departament o Servei: Universidad de Alicante. Departamento de Tecnología Informática y Computación | Universidad de Alicante. Departamento de Ciencia de la Computación e Inteligencia Artificial | Universidad de Alicante. Instituto Universitario de Investigación Informática
Paraules clau: Deep learning | 3D object recognition | Convolutional neural networks | Noise | Occlusion | Caffe
Àrees de coneixement: Arquitectura y Tecnología de Computadores | Ciencia de la Computación e Inteligencia Artificial
Data de publicació: de novembre-2017
Editor: Elsevier
Citació bibliogràfica: Computer Vision and Image Understanding. 2017, 164: 124-134. doi:10.1016/j.cviu.2017.06.006
Resum: In this work, we carry out a study of the effect of adverse conditions, which characterize real-world scenes, on the accuracy of a Convolutional Neural Network applied to 3D object class recognition. Firstly, we discuss possible ways of representing 3D data to feed the network. In addition, we propose a set of representations to be tested. Those representations consist of a grid-like structure (fixed and adaptive) and a measure for the occupancy of each cell of the grid (binary and normalized point density). After that, we propose and implement a Convolutional Neural Network for 3D object recognition using Caffe. At last, we carry out an in-depth study of the performance of the network over a 3D CAD model dataset, the Princeton ModelNet project, synthetically simulating occlusions and noise models featured by common RGB-D sensors. The results show that the volumetric representations for 3D data play a key role on the recognition process and Convolutional Neural Network can be considerably robust to noise and occlusions if a proper representation is chosen.
Patrocinadors: This work has been supported by the Spanish Government DPI2013-40534-R grant for the SIRMAVED project, also supported with FEDER funds. This work has also been funded by the grant “Ayudas para Estudios de Máster e Iniciación a la Investigación” from the University of Alicante.
URI: http://hdl.handle.net/10045/72633
ISSN: 1077-3142 (Print) | 1090-235X (Online)
DOI: 10.1016/j.cviu.2017.06.006
Idioma: eng
Tipus: info:eu-repo/semantics/article
Drets: © 2017 Elsevier Inc.
Revisió científica: si
Versió de l'editor: http://dx.doi.org/10.1016/j.cviu.2017.06.006
Apareix a la col·lecció: INV - I2RC - Artículos de Revistas
INV - RoViT - Artículos de Revistas

Arxius per aquest ítem:
Arxius per aquest ítem:
Arxiu Descripció Tamany Format  
Thumbnail2017_Garcia-Garcia_etal_CompVisImageUnderst_final.pdfVersión final (acceso restringido)2,74 MBAdobe PDFObrir     Sol·licitar una còpia
Thumbnail2017_Garcia-Garcia_etal_CompVisImageUnderst_preprint.pdfPreprint (acceso abierto)3,62 MBAdobe PDFObrir Vista prèvia


Tots els documents dipositats a RUA estan protegits per drets d'autors. Alguns drets reservats.