Detekcija i praćenje 3D objekata u slici kamere na vozilu primjenom dubokih neuronskih mreža

diplomski rad

• Naslov (engleski): 3D object detection and tracking with a camera on a vehicle using deep neural networks
• Autor: Matija Kušec
• Mentor: Ivan Marković (mentor)
• Član povjerenstva: Ivan Marković (predsjednik povjerenstva)
• Član povjerenstva: Ivan Petrović (član povjerenstva)
• Član povjerenstva: Marija Seder (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-09-25, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Detekcija i praćenje objekata u vremenu jedni su od najvažnijih zadataka autonomnih vozila. U radu je dan pregled korištenja duboke neuronske mreže u svrhu detekcije objekata u 3D slici kamere. Konkretna korištena mreža je CenterNet. Mreža se temelji na tome da su objekti predstavljeni središnjim točkama, a ostala se svojstva, poput 3D dimenzija i orijentacije, dobivaju regresijom iz značajki slike kod središta. Ta se neuronska mreža koristi kao potpora za probabilističko praćenje objekata u vremenu. Osnova za praćenje objekata je Kalmanov filtar. Za usporedbu predikcija i detekcija koristi se Mahalanobisova udaljenost. Mahalanobisova udaljenost može iskoristiti informaciju o neodred̄enosti predikcije, koju daje Kalmanov filtar. Praćenje se vrednuje na nuScenes skupu podataka.

Sažetak (engleski)

Detection and tracking of objects in time are one of the most important tasks of autonomous vehicles. In the paper, an overview of using a deep neural network for object detection in a 3D camera image is provided. CenterNet was used as the network. The network is based on the fact that objects are represented by center points, other properties, such as 3D dimensions and orientation, are regressed from image features at the center. The neural network is later used for probabilistic tracking of objects through time. The basis for object tracking is the Kalman filter. The Mahalanobis distance is used to compare predictions and detections. The Mahalanobis distance can take advantage of the uncertainty of predictions provided by the Kalman filter.
Tracking is evaluated on the nuScenes dataset.

• Ključne riječi: Detekcija; Praćenje; Duboke neuronske mreže; NuScenes
• Ključne riječi (engleski): Detection; Tracking; Deep neural networks; NuScenes
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:566050
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 12:51:14