Hasil Pencarian  ::  Simpan CSV :: Kembali

"Segmentasi semantik adalah sebuah task pada bidang computer vision yang dewasa ini menjadi semakin penting. Segmentasi semantik sendiri dapat dipakai untuk memisahkan satu benda dengan benda yang lainnya, baik pada dua dimensi maupun tiga dimensi. Segmentasi semantik tiga dimensi umumnya mengutilisasikan sebuah point cloud yang dapat diambil menggunakan sensor Light Detection and Ranging (LIDAR). Sejak 2020, Apple menyertakan sensor LIDAR pada beberapa model iPhone. Hal tersebut memungkinkan orang awam untuk merekonstruksi berbagai objek dan keadaan di sekitarnya. Berdasarkan hal tersebut, dapat dirumuskan sebuah aplikasi yang dapat membantu penggunanya untuk melakukan scan terhadap benda rumah tangga untuk mengetahui panjang, lebar, tinggi, dan volume melalui kombinasi dari segmentasi semantik dan beberapa metode lainnya. Dibandingkan juga performa beberapa model yang menjadi kandidat integrasi dengan aplikasi tersebut, yaitu Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, dan Point Transformer dengan Contrast Boundary Learning (CBL). Hasil pengujian menujukkan bahwa Point Transformer dengan CBL memiliki Intersection over Union yang paling baik. Didapatkan juga bahwa DGCNN adalah model yang paling baik untuk diimplementasikan sepenuhnya pada iPhone untuk edge computing.

---

Semantic segmentation is a computer vision task that has become increasingly important in recent years. Semantic segmentation can be utilized to separate one object from another in a two dimensional or three dimensional environment. Semantic segmentation normally utilizes a point cloud that can be obtained using a Light Detection and Ranging (LIDAR) sensor. As of 2020, Apple has packaged a built-in LIDAR sensor on a few iPhone models. This allows everyday users to reconstruct all sorts of objects around them. Owing to that

fact, there can be formulized an application that helps its users to find the length, width, height, and volume of an object through a combination of semantic segmentation along with a few other methods. We also compared the performance of different models as candidates to be integrated into the application, which are Dynamic Graph Convolutional Neural Network (DGCNN), Kernel Point Convolutional Neural Network (KPConv), Point Transformer, and Point Transformer with Contrast Boundary Learning (CBL). We found that Point Transformer with CBL has the best Intersection over Union result. We also found that DGCNN is the best model to be fully implemented on an iPhone for edge computing."

"Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin, Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering. Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil, penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda, Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance 100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400, dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.

---

With development of technology becoming more advanced, technology that can help to measure area and volume of an object becomes more common. One of the technology that can help measure area and volume of an object is a sensor called Light and Detection Ranging (LiDAR). In the context of measuring area and volume of an object where the object is a building, LiDAR sensor can be helped by deep learning and clustering to identify building and then the building’s area and volume can be measured. In this research the dataset used are Margonda, Depok and Dublin, Irlandia. Deep learning method used to do semantic segmentation is Dynamic Graph Convolutional Neural Network (DGCNN) and the algorithm to do the clustering is Pairwise Linkage Clustering. This research is also intended to give comparison with Euclidean Clustering as an algorithm to do clustering. Semantic segmentation is done so the map can be separated as building object and non building object. Result wise, this research has succeeded to use DGCNN as a method to do semantic segmentation and Pairwise Linkage Clustering as a method to do clustering. Evaluation is done by using matrix such as Accuracy, Recall, Precision, F-Score and Intersection over Union for semantic segmentation while matrix used to evaluate the clustering algorithm is Accuracy, Recall, Precision, and F-Score. In Margonda, Depok dataset DGCNN has the accuracy score of 82% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 4.7%, with cut off distance 200 is 28%, with cut off distance 400 is 38%, with cut off distance 800 is 28%. In Dublin, Irlandia dataset DGCNN has the accuracy score of 86% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 10%, with cut off distance 200 is 30%, with cut off distance 400 is 40% and with cut off distance 800 is 35%. In the clustering part, Pairwise Linkage Clustering gives better result in Margonda, Depok dataset while Euclidean Clustering gives better result in Dublin, Irlandia dataset.

"

"instance point cloud memungkinkan untuk melakukan segmentasi bentuk dari instance 3D yang berbeda pada kelas semantik yang sama. Penerapan segmentasi 3D pada pemodelan 3D area perkotaan dapat merangsang perkembangan lebih lanjut untuk menganalisis pemodelan 3D area perkotaan. Segmentasi instance 3D point cloud perkotaan memiliki tantangan tersendiri, sebagai contoh ukuran skala besar dan bentuk instance yang lebih beragam, dibandingkan 3D point cloud di dalam ruang. Penelitian ini mengajukan optimasi dari segmentasi instance 3D point cloud pada daerah perkotaan skala besar dengan optimasi metode pencacahan menggunakan metode pencacahan overlapping dan modifikasi bagian backbone Hierarchical Aggregation 3D Instance Segmentation (HAIS) dengan 3D U-Net Attention ASPP Sparse CNN (metode proposed). Eksperimen dan evaluasi dilakukan terhadap HAIS dan metode proposed. Berdasarkan hasil eksperimen, didapati penggunaan metode pencacahan ukuran 50 overlapping dan modifikasi backbone HAIS dengan 3D U-Net Attention ASPP Sparse CNN (dengan hasil evaluasi AP = 48.78, AP50 = 60.45 dan AP25 = 65.33) memiliki tren kenaikan performa lebih baik dibandingkan dengan metode baseline (dengan hasil evaluasi AP = 44.83, AP50 = 56.48 dan AP25 = 62.36).

---

Instance segmentation of 3D point cloud is possible to perform the segmentation of 3D object shape and to differentiate instances on similar semantic class. Urban Area's large-scale 3D point cloud instance segmentation has its own challenges, namely large-scale instance forms and is more diverse, compared to indoor 3D point clouds. This study proposed optimization of 3D point cloud instance segmentation in largescale urban areas by enhancing the patching method by using overlapping method and modifying the HAIS backbone section with 3D U-Net Attention ASPP Sparse CNN (the proposed method). The experiments and evaluations will be carried out on HAIS model with baseline method from STPLS3D and our proposed method. Based on our experimental results, was found by using patching method 50 size overlapping and modification of the HAIS backbone with 3D U-Net Attention ASPP Sparse CNN (evaluation results of AP = 48.78, AP50 = 60.45 and AP25 = 65.33) has trend to increase the performance of HAIS method which is better than the baseline method (evaluation results AP = 44.83, AP50 = 56.48 and AP25."

"Segmentasi tiga dimensi merupakan task yang pada awalnya sulit digunakan yang disebabkan keterbatasan spesifikasi perangkat. Segmentasi tiga dimensi memanfaatkan point cloud sebagai input dan point cloud dihasilkan dari sensor LiDAR yang kepemilikannya sangat terbatas. Dahulu, LiDAR hanya ada pada perangkat industri, berguna untuk mendapatkan informasi tiga dimensi lahan. Sekarang, LiDAR sudah terdapat pada perangkat ponsel, namun hanya pada yang spesifikasinya termasuk golongan high-end atau mewah. Berangkat dari permasalahan tersebut, muncul pertanyaan mengenai kemungkinan segmentasi tiga dimensi tanpa menggunakan sensor LiDAR, tujuannya agar fitur tersebut tidak eksklusif ke suatu kelompok, melainkan semua orang yang memiliki ponsel dengan kamera bisa melakukan segmentasi tiga dimensi. Dirumuskanlah penghasil point cloud dengan menggunakan 3D Gaussian Splatting. Model segmentasi yang digunakan juga merupakan state-of-the-art, yaitu Point Transformer v2 dan v3, serta sebuah metode segmentasi tiga dimensi unik yang memanfaatkan 3DGS secara langsung, yaitu SAGA. Hasil penelitian menemukan bahwa SAGA merupakan model segmentasi tiga dimensi yang paling baik. Selain hasil kemampuannya mensegmentasi 3DGS, SAGA juga mampu mensegmentasi objek tanpa batasan kelas sehingga membuat SAGA unggul pada konteks penelitian ini.

---

Three-dimensional segmentation is a task that was initially difficult to use due to limited device specifications. Three-dimensional segmentation utilizes the point cloud as input and the point cloud is generated from the LiDAR sensor, which has very limited ownership. In the past, LiDAR only existed in industrial devices, useful for obtaining three-dimensional information of land. Now, LiDAR is available on mobile devices, but only on those whose specifications are included in the high-end or luxury class. Starting from this problem, the question arises about the possibility of three-dimensional segmentation without using a LiDAR sensor, the goal is that the feature is not exclusive to a group, but everyone who has a cellphone with a camera can do three-dimensional segmentation. A point cloud generator using 3D Gaussian Splatting was formulated. The segmentation models used are also state-of-the-art, namely Point Transformer v2 and v3, and a unique three-dimensional segmentation method that utilizes 3DGS directly, namely SAGA. The results found that SAGA was the best three-dimensional segmentation model. In addition to the results of its ability to segment 3DGS, SAGA is also able to segment objects without class constraints, which makes SAGA superior in the context of this research."