Geometriasta apuvälineitä koneoppimistehtäviin (Väitös: TkL Paavo Nevalainen, 20.8.2018, tietojenkäsittelytiede)
Paavo Nevalaisen Turun yliopistossa tarkastettavassa väitöskirjassa on tarkasteltu, millaisia mahdollisuuksia geometristen riippuvuuksien huomiointi syötedatan esitystapaa valittaessa tuo myöhempään koneoppimislaskentaan. Tutkimuksen mukaan geometrisesti keskeisten piirteiden käyttö voi olla hyödyllistä ja järkevää. Tutkimuksessa esimerkkitapauksia on kaksi: kaarevuuteen perustuva maanpinnan mikrotopografinen luokittelu ja uimavalmennukseen sovellettu videometriikka.
Turun yliopiston tiedote 13.8.2018
Mikrotopografia on maanpinnan paikallisten piirteiden luokittelua ja tulkitsemista, joka palvelee esimerkiksi geografian sekä maa- ja metsätalouden tarpeita. Pinnan kaarevuus on eräs keskeinen mikrotopografian käsite ja esimerkiksi pallon kaarevuus on sen säteen käänteisarvo. Jatkuvien pintojen kaarevuustilamalli on jo alan aiemmassa tutkimuksessa yleistetty paloittain jatkuville pinnoille, joiden paikallinen korkeusjakauma on symmetrinen.
– Rakennettu ympäristö koostuu tällaisista pinnoista. Väitöstyössäni kehitin uusia kaarevuuspiirteitä, jotka toimivat hyvin sellaisille rakentamattoman ympäristön maanpintamalleille, joiden paikallinen korkeusjakauma on epäsymmetrinen, Nevalainen kertoo.
Kirjallisuudesta löydettävät ja ohjelmistojen tukemat kaarevuuden laskentamenetelmät painottuvat Nevalaisen mukaan liiaksi teknisen ympäristön vaatimuksiin eivätkä suoraan sovellu lasermitatun maaston ja metsän pistepilviaineistojen analysointiin.
– Testasin useita kaarevuusmuotoiluja, joista kärkipisteiden laajentamiseen perustuva muotoilu vaikuttaa käytännölliseltä koneoppimissovellutuksissa. Kaarevuussuureet kuvaavatkin hyvin mikrotopografiaa, Nevalainen kertoo.
Pistepilvien suodattaminen
Maanpintaa vastaavien pisteiden löytäminen on erikoislaatuinen tehtävä, koska sopivaa vertailuaineistoa ei tutkimusajankohtana vielä ollut.
– Väitöstyössä kehitetty avaruuskulmasuodatus on periaatteeltaan intuitiivinen ja säädettävissä joko maanpinnan tai latvuspinnan mallinnukseen. Menetelmä tuottaa luonnostaan maanpintaa vastaavan kolmioverkon. Valmisohjelmistoissa käytetyllä maanpintamallin generoinnilla pistepilvestä ei ole yhtä helppoa parametrisoituvaa kytkentää koneoppimisen vaatimiin mallikompleksisuuden
mittaukseen ja ristiinvalidointiin, Nevalainen painottaa.
Videometriikka perustuen pieneen kameramäärään
Urheiluvalmennuksen yhteydessä käytettynä videometriikka tähtää paitsi biomekaanisen prosessin ymmärtämiseen, myös suorituksen yleiseen tarkasteluun. Videometriikka käyttää yleisesti joko erikseen kalibroituja kameroita tai niin sanottujen ankkuripisteiden etsimiseen perustuvia autokalibraatioalgoritmeja. Nämä ovat kuitenkin hyvin vaikeita ja kalliita toteuttaa vedenalaiskuvauksessa.
– 1990 -luvun lopulla dokumentoitu geometrinen projektiomenetelmä uimavalmennuksessa on taloudellinen järjestelyiltään ja muodostaa perustan ankkuripisteettömälle 3D-liikekaappaukselle. Vedenalainen 3D-liikekaappaus ei vielä onnistu muilla tekniikoilla, Nevalainen kertoo.
Nevalaisen mukaan sekä pistepilvianalyysi että videometriikka ovat kehittyviä aloja, joille geometrinen mallinnustapa tarjoaa jatkossa runsaasti tutkimus- ja sovelluspotentiaalia.
***
TkL Paavo Nevalainen esittää väitöskirjansa Geometric data understanding: deriving case-specific features julkisesti tarkastettavaksi Turun yliopistossa maanantaina 20.8.2018 klo 12.00 (Turun yliopisto, Agora, luentosali XXI, Turku).
Vastaväittäjänä toimii professori Timo Tokola (Itä-Suomen yliopisto) ja kustoksena professori Jukka Heikkonen (Turun yliopisto). Tilaisuus on suomenkielinen.
TkL Paavo Nevalainen on syntynyt vuonna 1958 ja suoritti korkeakoulututkintonsa (TkL) Tampereen teknillisessä korkeakoulussa vuonna 1998. Väitöksen alana on tietojenkäsittelytiede. Nevalainen työskentelee Turun yliopistossa projektitutkijana.
Väittelijän yhteystiedot: p. 050 3518 236, ptneva@utu.fi
Väittelijän kuva: https://apps.utu.fi/media/vaittelijat/nevalainen_paavo.jpg
Väitöskirja on julkaistu sähköisenä http://urn.fi/URN:ISBN:978-952-12-3723-2