Mélység meghatározás mély tanulással mezőgazdasági területen

OData támogatás
Konzulens:
Budai Ádám
Automatizálási és Alkalmazott Informatikai Tanszék

Autonóm jármûvek esetén, melyek már jelen vannak mezõgazdasági környezetekben is, a biztonság fontos szempont.

Az ütközések elkerülése érdekében egy lehetséges megoldás a mélység becslése, ami által megismerhetõ a jármû körüli akadályok helyzete és távolsága. A dolgozatban bemutatok egy valós idejû mélységbecslési architektúrát monokuláris mezõgazdasági videókhoz.

Zhou és társai "An unsupervised learning framework for depth and ego-motion estimation from monocular videos" munkája adja az alap architektúrát a feladathoz. Az eredeti Zhou hálózattal ellentétben az én módosított hálózatom kevésbé bonyolult. Ahhoz, hogy megtaláljam a hálózat megfelelõ bonyolultsági szintjét, ami mindenképpen szükséges a feladat megoldásához, több különbözõ módosítást is elvégzek az eredeti architektúrán. A tanítási folyamat teljes mértékben felügyeletlen, csak a monokuláris képek és a kamera mátrixok szükségesek hozzá. A számomra biztosított mezõgazdasági videókat tartalmazó adathalmazt elõfeldolgozom. Kategorizálom a videókat és elkészítem a teszteléshez szükséges mélységi címkéket lidar és kamera szenzor fúzióval. A módosított algoritmusokat offline tesztelem egy gondosan összeválogatott mezõgazdasági teszt halmazzal. Eredményül, az általam csökkentett, kevésbé komplex verziókkal képes vagyok ugyan olyan jó mélységi információkat becsülni, mint az eredeti hálózat. A vizuális eredmények ugyancsak olyan jók mint az eredeti hálózat eredményei. Továbbá, a tanítási paraméterek száma, a tanítás ideje illetve a becslések ideje is csökken a módosításaim hatására.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.