magistrsko delo
Tilen Cvenkel (Avtor), Janez Perš (Mentor), Marija Ivanovska (Komentor)

Povzetek

Magistrska naloga se osredotoča na problematiko zaznavanja ovir na vodni gladini na podlagi vizualnih podatkov, tako na barvnih (RGB), kakor tudi na slikah toplotne kamere. V delu je podana natančna analiza trenutnega stanja tehnike na tem področju, naš prispevek pa se osredotoča na vpeljavo povsem novega pristopa k reševanju omenjene tematike, in sicer z uporabo metod za odkrivanje anomalij, ki temeljijo na enorazrednem učenju. To je učenje le na vzorcih, ki ne vsebujejo anomalij - ovir. Preizkusili smo različne metode, ki se razlikujejo v načinu modeliranja porazdelitve učnih značilk, pridobljenih z uporabo prednaučenih hrbteničnih globokih nevronskih mrež, ter analizirali njihov vpliv na končni rezultat. Uporabljene podatkovne zbirke zajemajo javno dostopni zbirki ImageNet in FLIR Thermal Dataset, kakor tudi namensko zajete podatke, pridobljene med dvema plovbama po reki Ljubljanici. Senzorski sistem, uporabljen za zajem podatkov, je bil razvit v sklopu Laboratorija za strojno inteligenco Fakultete za elektrotehniko v Ljubljani. Ker označevanje množice podatkov zahteva veliko vloženega dela, smo eksperimente zastavili na način, da naslavljajo vprašanje, kako število označenih testnih slik vpliva na evalvacijo uporabljenih algoritmov. Kot glavni prispevek te magistrske naloge lahko izpostavimo dvoje: 1) izdelava podatkovne zbirke označenih slik rečnega okolja v dveh modalitetah, ter 2) vpeljava novega koncepta odkrivanja ovir na vodni gladini, ki temelji na iskanju anomalij v okolju.

Ključne besede

avtonomna plovba;računalniški vid;globoke nevronske mreže;odkrivanje anomalij;ovire na vodni gladini;PaDiM;CSFlow;magisteriji;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FE - Fakulteta za elektrotehniko
Založnik: [T. Cvenkel]
UDK: 004:007.52(043.3)
COBISS: 115784195 Povezava se bo odprla v novem oknu
Št. ogledov: 80
Št. prenosov: 38
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Water Obstacle Detection via Anomaly Detection and Cascaded Datasets
Sekundarni povzetek: The master's thesis focuses on the obstacle detection on the water surface on the basis of visual data, both in RGB and thermal modality. The paper provides a detailed analysis of the current state-of-the-art object detection methods in maritime environment. In addition, our paper focuses on the introduction of a completely new approach to solving this problem using anomaly detection methods based on one-class learning, which means learning only on data that lack anomalies - obstacles. We tested different methods that differ in the approach used for feature distribution modelling and analyzed their impact on the final results. The datasets used include the publicly available ImageNet and FLIR Thermal Dataset, as well as data captured during two voyages on the Ljubljanica River. The sensorial system used for data acquisition was developed within the Laboratory for Machine Intelligence at Faculty of Electrical Engineering in Ljubljana. Since annotating a set of data requires a lot of work, we set up the experiments to address the question of how the number of annotated test images affects the evaluation of the algorithms used. The main contribution of this thesis is two folded: 1) creation of an annotated dataset of the river environment in two image modalities, and 2) introduction of a novel approach to obstacle detection on water surface based on anomaly detection methods.
Sekundarne ključne besede: autonomous drive;computer vision;deep neural networks;anomaly detection;obstacles on water surface;PaDiM;CSFlow;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 1000316
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za elektrotehniko
Strani: XXII, 83 str.
ID: 15948601