Técnicas Deep Learning para procesado de nubes de puntos 3D

Abstract

A lo largo de este trabajo se llevará a cabo una breve introducción al aprendizaje profundo aplicado a nubes de puntos tridimensionales, describiendo desde sus conceptos más básicos hasta arquitecturas de red recientes. Se explicará el funcionamiento troncal y el protocolo principal de implementación de redes neuronales en Python, así como las diferentes tareas que brinda como posibilidades ante el procesado de información extraída a partir de la captura de nubes de puntos tridimensionales. En una primera instancia, se estudiará el repositorio de Pytorch Points 3D a través del análisis de la información publicada por los autores y se plasmarán los problemas que se han encontrado a lo largo de la instalación de librerías, y por los cuales se ha decidido redireccionar el trabajo. Como solución alternativa, se propone el uso del repositorio de MMDetection3D. Con él se analizarán dos casos de ejemplo con el propósito de comprender el funcionamiento del sistema, y finalmente se implementará una red con una arquitectura alternativa, estudiando el efecto de los parámetros implicados.

This paper will give a brief introduction to deep learning applied to three-dimensional point clouds, describing from its most basic concepts to recent network architectures. The core operation and the main protocol for implementing neural networks in Python will be explained, as well as the different tasks it offers as possibilities for processing information extracted from the capture of threedimensional point clouds. In the first instance, the Pytorch Points 3D repository will be studied through the analysis of the information published by the authors, and the problems that have been encountered during the installation of libraries will be described, for which it has been decided to change the work direction. As an alternative solution, the use of the MMDetection3D repository is proposed. With it, two example cases will be analysed in order to understand how the system works, and finally a network with an alternative architecture will be implemented, studying the effect of the parameters involved.