Samonadzirano učenje stereoskopske rekonstrukcije

diplomski rad

• Naslov (engleski): Self-supervised learning of stereoscopic reconstruction
• Autor: Jelena Bratulić
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Vladimir Čeperić (član povjerenstva)
• Član povjerenstva: Željka Mihajlović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Stereoskopska rekonstrukcija je važno i atraktivno područje računalnog vida čije primjene pronalazimo u različitim industrijama, robotici, medicini i autonomnim vozilima. Iako nadzirane metode bazirane na dubokom učenju postižu odlične rezultate, često je vrlo teško i skupo prikupiti stvarne oznake dispariteta ili dubine pa se u posljednje vrijeme naglasak stavlja na samonadzirane metode. U okviru ovog rada, proučili smo nekoliko popularnih samonadziranih metoda za stereoskopsku rekonstrukciju te smo predstavili novu metodu koju nazivamo iterativno pseudolabeliranje ansamabliranjem (IPA). U radu smo detaljno opisali našu metodu, postupke učenja i validiranja hiperparametara. Detaljni eksperimenti koristeći model RAFT Stereo pokazuju iznimno kompetitivne rezultate na skupu podataka KITTI. U radu smo naveli i moguće pravce budućeg istraživanja usmjerene u poboljšanje metode ansambliranja te uključivanje znanja semantičke segmentacije.

Sažetak (engleski)

Stereoscopic reconstruction is a significant and appealing field in computer vision, with wide-ranging applications in industries such as robotics, medicine, and autonomous vehicles. While supervised approaches leveraging deep learning have demonstrated remarkable outcomes, acquiring disparity or depth labels often poses considerable challenges and expenses. As a result, self-supervised methods have recently garnered significant attention. In this Master Thesis, we thoroughly examine several popular self-supervised techniques for stereoscopic reconstruction and introduce a novel approach termed iterative pseudolabeling by ensambling (IPE). Our research delves into the intricate workings of IPE, including the methodology, the process for learning, and the validation of hyperparameters. Through comprehensive experimentation utilizing the RAFT Stereo model, our proposed method showcases exceptionally competitive results on the KITTI dataset. We also highlight potential avenues for future research, focusing on enhancing the ensemble method and incorporating semantic segmentation knowledge. These directions offer opportunities to further advance the effectiveness and applicability of the proposed approach.

• Ključne riječi: stereoskopska rekonstrukcija; duboko učenje; samonadzirano učenje; računalni vid; RAFT-Stereo; pseudolabeliranje; ansambliranje; KITTI
• Ključne riječi (engleski): stereoscopic reconstruction; deep learning; self-supervised learning; computer vision; RAFT-Stereo; pseudolabeling; ansambling; KITTI
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:710315
• 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: 2023-10-11 08:32:04