Denninger, Maximilian (2023) Persistent Learning for Semantic Indoor Mapping in Dynamic Environments. Dissertation, Technische Universität München.
PDF
31MB |
Offizielle URL: https://mediatum.ub.tum.de/?id=1703886
Kurzfassung
Leveraging deep learning, we propose in this work an approach to tackle the problem of 3D scene reconstruction from single color images in indoor spaces. We rely here on synthetic data and show how to tackle the hard problem of sim2real transfer. Besides a 3D scene reconstruction, we further provide a semantic segmentation of the current viewport.
elib-URL des Eintrags: | https://elib.dlr.de/202781/ | ||||||||
---|---|---|---|---|---|---|---|---|---|
Dokumentart: | Hochschulschrift (Dissertation) | ||||||||
Titel: | Persistent Learning for Semantic Indoor Mapping in Dynamic Environments | ||||||||
Autoren: |
| ||||||||
Datum: | 2023 | ||||||||
Open Access: | Ja | ||||||||
Seitenanzahl: | 177 | ||||||||
Status: | veröffentlicht | ||||||||
Stichwörter: | 3d modeling; 3d scene representation; deep learning; simulation | ||||||||
Institution: | Technische Universität München | ||||||||
Abteilung: | TUM School of Computation, Information and Technology | ||||||||
HGF - Forschungsbereich: | Luftfahrt, Raumfahrt und Verkehr | ||||||||
HGF - Programm: | Raumfahrt | ||||||||
HGF - Programmthema: | Robotik | ||||||||
DLR - Schwerpunkt: | Raumfahrt | ||||||||
DLR - Forschungsgebiet: | R RO - Robotik | ||||||||
DLR - Teilgebiet (Projekt, Vorhaben): | R - Multisensorielle Weltmodellierung (RM) [RO] | ||||||||
Standort: | Oberpfaffenhofen | ||||||||
Institute & Einrichtungen: | Institut für Robotik und Mechatronik (ab 2013) > Perzeption und Kognition Institut für Robotik und Mechatronik (ab 2013) | ||||||||
Hinterlegt von: | Strobl, Dr. Klaus H. | ||||||||
Hinterlegt am: | 14 Feb 2024 08:13 | ||||||||
Letzte Änderung: | 14 Feb 2024 08:13 |
Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags