|
|
Odhad hloubky pomocí konvolučních neuronových sítí
Ivanecký, Ján ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne.
|
|
|
Supraglacial lakes detection and volume estimation from remote sensing data
Rusnák, Samo ; Brodský, Lukáš (vedoucí práce) ; Šobr, Miroslav (oponent)
Detekce supraglaciálních jezer a kvantitativní odhad jejich objemu z dat DPZ Abstrakt Supraglaciální jezera představují důležitou roli v pochopení dynamiky ledovců, včetně jejich reakce na klimatické změny. Tato práce se zabývá problematikou odhadu hloubky a objemu jezer pomocí fyzikálního modelu. To přináší výzvu z hlediska zohlednění vlivu více faktorů, jakými jsou kryokonit na povrchu ledovce a nerozpuštěné látky ve vodě jezera, jejichž vliv na fyzikální model je ve výzkumu většinou opomíjen. V této práci je použita regresní analýza parametru g fyzikálního modelu, který představuje koeficient útlumu světla, a řízená klasifikace supraglaciálních jezer. Výsledky odhalují variabilitu parametru Ad, který představuje odrazivost dna jezera, a jeho vliv na modelovanou hloubku a objem supraglaciálních jezer. Výsledky poukazují na problematiku globální parametrizace fyzikálního modelu supraglaciálních jezer a upozorňují na potřebu dalšího výzkumu s cílem zlepšit jeho přesnost a prozkoumat budoucí možnosti v této oblasti. Klíčová slova: supraglaciální jezero, dálkový průzkum Země, strojové učení, fyzikální model, odhad hloubky, regresní analýza
|
|
|
Scene Depth Estimation Based on Odometry and Image Data
Zborovský, Peter ; Obdržálek, David (vedoucí práce) ; Vodrážka, Jindřich (oponent)
V tejto práci navrhujeme systém odhadu hĺbky obrazu založený na dátach z odometrie a video sekvencie. Kľúčovou myšlienkou je, že odhad hĺbky obrazu je oddelený od odhadovania pozície. Takýto prístup vedie k viacúčelovému systému použiteľnému na rôznych robotických platformách a určenému na rôzne problémy súvisiace s odhadom hĺbky obrazu. Naša implementácia využíva rôzne filtračné techniky, pracuje v reálnom čase a poskytuje zodpovedajúce výsledky. Hoci bol systém zameraný a testovaný na drone-ovej platforme, môže byť použitý na akomkoľvek inom type autonómneho vozidla, ktoré poskytuje odometrické údaje a video výstup.
|
|
|
Scene Depth Estimation Based on Odometry and Image Data
Zborovský, Peter ; Obdržálek, David (vedoucí práce) ; Vodrážka, Jindřich (oponent)
V tejto práci navrhujeme systém odhadu hĺbky obrazu založený na dátach z odometrie a video sekvencie. Kľúčovou myšlienkou je, že odhad hĺbky obrazu je oddelený od odhadovania pozície. Takýto prístup vedie k viacúčelovému systému použiteľnému na rôznych robotických platformách a určenému na rôzne problémy súvisiace s odhadom hĺbky obrazu. Naša implementácia využíva rôzne filtračné techniky, pracuje v reálnom čase a poskytuje zodpovedajúce výsledky. Hoci bol systém zameraný a testovaný na drone-ovej platforme, môže byť použitý na akomkoľvek inom type autonómneho vozidla, ktoré poskytuje odometrické údaje a video výstup.
|
|
|
Odhad hloubky pomocí konvolučních neuronových sítí
Ivanecký, Ján ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne.
|
host ::
RSS.