Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/37312
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_MateusGoncalves_JohannHomonnai_tcc.pdf7,42 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorFarias, Mylène Christine Queiroz de-
dc.contributor.authorGonçalves, Mateus Vieira-
dc.contributor.authorHomonnai, Johann-
dc.identifier.citationGONÇALVES, Mateus Vieira Gonçalves; HOMONNAI, Johann. Point Clouds Quality Assessment: Exploring the power of learning-based techniques with a perceptual-driven heuristic. 2023. 87 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2023.pt_BR
dc.description.abstractOs avanços na manipulação de conteúdo 3D permitiram novas possibilidades de utilização dessas tecnologias. As aplicações variam de realidade virtual a direção autônoma e escanea mento de comunidades como a Rocinha, essas duas últimas se beneficiando do uso de tecnologia LiDAR. A estrutura de dados padrão de facto para esse tipo de problema é a Point Cloud (PC - Nuvem de Pontos). Uma PC é uma estrutura de dados composta de pontos espalhados pelo espaço cartesiano tridimensional que podem apresentar diferentes atributos, como intensidade de luz e cor, além das suas coordenadas. Essa estrutura de dados permite mapear, entre outras coisas, distâncias, alturas, volumes, o que a torna bastante útil para estudo de relevos e outras estruturas físicas. A aplicação de PCs vem ganhando tração em anos recentes, e com isso vem a necessidade de transmitir, ler, renderizar, utilizar e, portanto, comprimir. Para que técnicas de compressão sejam verdadeiramente impactantes e efetivas, é crucial avaliar a qualidade dos dados resultantes. Por consequência, o campo de Avaliação de Qua lidade de Point Clouds (PCQA) tem recebido mais atenção recentemente, e novas técnicas e heurísticas têm sido exploradas para tentar construir uma metodologia objetiva para avaliação de qualidade que correlacione bem com a qualidade percebida por seres humanos. As abor dagens usuais para PCQA são relacionadas a cor e geometria, e novas técnicas baseadas em projeções foram desenvolvidas para aproveitar métricas robustas de Avaliação de Qualidade de Imagens (IQA) já existentes, com o padrão de Compressão de Point Clouds baseada em Vídeo (V-PCC) estabelecido pelo MPEG se aproveitando dessa abordagem. Neste trabalho exploramos o poder de Redes Neurais e Aprendizagem de Máquina para criar uma heurística movida por percepção, referência-completa, para PCQA. Primeiro geramos projeções 2D, as quais são imagens regulares, a partir de PCs. Então, passamos essas imagens pela métrica de IQA DISTS movida por textura desenvolvida por Meynet et al., combinamos as pontuações geradas em um vetor e finalmente utilizamos isso para alimentar um regressor que irá predizer a pontuação de qualidade final. Nós mostramos que nosso modelo é competitivo com métricas estado-da-arte, e sugerimos trabalhos futuros e melhorias que podem ser feitos para explorar adiante a heurística e aprimorar sua desempenho. Consequentemente, demonstramos o poder de técnicas de projeção concomitantes com avaliação de textura ao gerar uma pontuação que correlaciona bem com a dada por humanos.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRealidade virtualpt_BR
dc.subject.keywordNuvem de pontospt_BR
dc.subject.keywordImagens 3Dpt_BR
dc.titlePoint Clouds Quality Assessment : exploring the power of learning-based techniques with a perceptual-driven heuristicpt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2024-01-10T17:43:50Z-
dc.date.available2024-01-10T17:43:50Z-
dc.date.submitted2023-02-17-
dc.identifier.urihttps://bdm.unb.br/handle/10483/37312-
dc.language.isoInglêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Advances in the manipulation of tridimensional (3D) content have allowed new possibili ties for what can be done with these technologies. Applications range from virtual reality to autonomous driving. A common data structure used for this kind of problem is Point Cloud (PC). This data structure is composed of points in the 3D Cartesian space that can hold several attributes, such as color. This makes it quite useful for studying land forms and other physical structures. The application of PCs has gained traction in recent years, leading to the necessity of transmitting, reading, rendering, and using data, and therefore compression. To truly be impactful and effective, compression techniques must evaluate the quality of the resulting data. In consequence, the field of Point Cloud Quality Assessment (PCQA) has gained more attention recently. New techniques and heuristics have been explored to try and build an objective methodology for quality assessment that correlates well with the perceived quality by human beings. The usual approaches for Point Cloud Quality Assessment (PCQA) are related to color and geometry, and novel projection-based techniques have been developed to leverage existing and robust Image Quality Assessment (IQA) metrics. In this work, we explore the power of Neural Networks and Machine Learning to create a perceptual-driven, full reference metric for PCQA. We first create 2D projections, which are regular images, from the 3D Point Clouds (PCs). Then, we pass these images through a recently discovered Image Quality Assessment (IQA) metric known as ‘DISTS’ and deposit the generated scores in a vector. Finally, this vector is used as input in a regressor model to predict the final quality score. We demonstrate that our model is competitive in relation to state-of-the-art metrics, and our results suggest that further improvements can be achieved in future works. Consequently, we demonstrated the power of projection techniques along with texture evaluation by generating a score that correlates well with the human ground truth.pt_BR
Aparece na Coleção:Engenharia Elétrica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.