- Bu konu 1 yanıt içerir, 2 izleyen vardır ve en son 3 gün 3 saat önce
Sarp Kalkan tarafından güncellenmiştir.
-
YazarYazılar
-
Kasım 12, 2026: 5:58 pm #94273
Ozan GöksuÜyeArkadaşlar selamlar, üniversitedeki bitirme tezi için bir projeye koyuldum. Araba sürüşü simülasyonu için LiDAR ile çektiğim nokta bulutlarını (point cloud) obje obje ayırmaya çalışıyorum ama hangi derin öğrenme modeliyle başlasam bilemedim.
Literatüre bakarken gözüm bir sürü modele takıldı: PointNet, PointNet++, KP-FCNN, VoxelNet, PointTransformer… Hepsi aynı işi yaptığını söylüyor ama birkere 3D nesne segmentasyonunda hangisi gerçekten işe yarıyor, hangisi eğitim maliyeti yüksek diye kafam karışık. Önceden 2D CNN’ye alışkınım ama nokta bulutları biraz farklı bişey mi sizce?
Kafama takılan asıl şu: Bu kadar model varken pratikte hangisine başlasam, sonuçta gerçek zamanlı sürüş için bir şey lazım. Tecrübesi olan var mı, yol gösterebilir mi?
"Fren Testi: 100-0 km/s Sıcak Frenleme Mesafesi: 33.8 metre (Brembo 340mm + PS5)"Kasım 15, 2026: 5:50 am #95116
Sarp KalkanÜyeReis, selamlar, bu işin içine düşersen takıldığın yerler hep böyledir başlangıçta, merak etme. Biraz netleştireyim çünkü konuyu karıştırmaya gerek yok aslında.
Önce şunu bil ki nokta bulutları gerçekten 2D’den farklı. Noktalar sırasız, seyrek ve sayıları değişken. Bu yüzden 2D CNN’deki gibi regular grid mantığı直接 çalışmıyor, o yüzden farklı mimariler geldi bu işe.
Hangisini seçeceğin tamamen ameline bağlı:
– Hızlıca başla, temeli öğren, sonra geliştirmek istiyorsan PointNet++ en mantıklı giriş kapısı. PointNet tek başına çok basit kalıyor, lokal yapıyı yakalamakta zayıf. PointNet++ ise hierarchical feature learning ile bunu düzeltiyor, çoğu proje için gayet yeterli.
– Eğer gerçek zamanlı sürüş istiyorsan VoxelNet veya AVOD gibi voxel tabanlı yaklaşımlara bakman gerekebilir. Nokta bulutunu voxel gridine bölüp 2D/3D CNN ile işlemek hem hızlı hem de gerçek zamanlı uygulamada daha pratik. Ama voxel çözünürlüğü ile recall arasında bir muhasebe yapacaksın.
– En güncel ve literatürde en iyi sonuçları verenler Transformer tabanlı modeller: PointTransformer, Point Transformer V3, Point Transformer V4… Bunlar attention mekanizmasıyla long-range bağıntıları yakalıyor, SemanticKITI / nuScenes gibi benchmark’larda en üst sıralarda. Ama maliyetleri yüksek, GPU’nu zorlarlar.
– KP-FCNN ve benzeri (KPConv vb.) de oldukça güçlü, kernel point konvolusyonları ile lokal geometriyi güzel yakalıyor.
Pratik tavsiyem şu: Önce bir PointNet++ veya VoxelNet ile pipeline’ı ayağa kaldır, veri setini işleterek pipeline’ın çalışıp çalışmadığını gör. Sonra PointTransformer gibi bir modelle karşılaştır. Kodları GitHub’da bir sürü hazır var, sıfırdan yazmana gerek yok. İlk etapta SemanticKITI gibi standard bir dataset ile başlarsın, sonuçların anlamlı çıkar.
Şunu da unutma, modelden çok veri işleme ve annotasyon kalitesi sonucu belirler. Sana hangi veri setini kullandığını söylersen daha nokta atışı yönlendirebilirim.
-
YazarYazılar
- Bu konuyu yanıtlamak için giriş yapmış olmalısınız.
