diplomsko delo
Leon Todorov (Avtor), Matej Kristan (Mentor)

Povzetek

Avtonomna plovila postajajo obetavna rešitev za številne izzive v vodnem okolju, kot so raziskovanje nedostopnih območij, nadzorovanje in pomorska logistika. Ocena oddaljenosti bližnje okolice plovila bi morebiti lahko bila uporabljena kot vir dodatne informacije za avtonomno navigacijo in pri drugih, prej omenjenih izzivih. Trenutno ne obstaja nobena raziskava, ki bi evalvirala kako se najmodernejše metode za monokularno ocenjevanje globinske slike obnašajo v vodnem okolju. V sklopu diplomske naloge evalviramo metodo DPT, uporabljeno za monokularno ocenjevanje globinske slike iz barvnih slik vodnega okolja in predlagamo ustrezne nove variacije. Za treniranje smo uporabili podatkovno množico MODD2, uspešnost metod pa smo ovrednotili s podatkovno množico MaSTR1325. Obe vsebujeta slike splošnega vodnega okolja, ki jih je zajelo avtonomno plovilo. Ker so takšna plovila ponavadi opremljena z IMU in obe podatkovni množici poleg barvnih slik vsebujeta tudi časovno sinhronizirane IMU meritve, predlagamo še dve dodatni metodi, ki poleg barvnih slik uporabljata tudi to dodatno informacijo. Ker podatkovni zbirki ne vsebujeta zlatega standarda globinskih slik, vsebujeta pa stereo slikovne pare, smo referenčne vrednosti za treniranje zgenerirali z metodo CREStereo, ki globinsko sliko napove iz stereo slikovnega para. Vse predlagane metode presegajo uspešnost osnovne metode DPT v vodnem okolju.

Ključne besede

avtonoma plovila;ocenjevanje globinskih slik;monokularno ocenjevanje globinskih slik;vodno okolje;transformerji;računalništvo in informatika;univerzitetni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [L. Todorov]
UDK: 004.93:629.5(043.2)
COBISS: 163718659 Povezava se bo odprla v novem oknu
Št. ogledov: 82
Št. prenosov: 10
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: Neural network for monocular depth estimation in maritime enviroment
Sekundarni povzetek: Unmanned surface vehicles are becoming a promising solution to many challenges in maritime enviroment, such as exploration of inaccessible areas, surveillance and maritime logistics. Estimation of the USV's near-surrounding distance could potentially be used as a source of additional information for autonomous navigation and for other challenges mentioned above. There is currently no research evaluating how state-of-the-art methods behave in maritime environment. As part of the thesis, we train the DPT model used for monocular depth estimation from colour images of maritime environment, analyse the results and propose new appropirate variations. The MODD2 dataset is used for training and the proposed methods are evaluated with the MaSTR1325 dataset. Both contain images of general maritime environment captured by an USV. Since such vessels are usually equipped with IMUs and both datasets contain time-synchronized IMU measurements in addition to colour images, we propose two additional models that use this added information. Since the two datasets do not contain ground truth depth images, but do contain stereo image pairs, we generated the reference values for training with the CREStereo model which predicts depth images from the stereo image pairs. All proposed models outperform the baseline DPT model in maritime environment.
Sekundarne ključne besede: computer vision;autonomous vessels;evaluation of depth images;monocular evaluation of depth images;water environment;transformers;computer science;computer and information science;diploma;Nevronske mreže (računalništvo);Računalniški vid;Vodna plovila;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000468
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 54 str.
ID: 21439464