Warning message

Nemate dozvolu za prikaz ovog resursa!
prikaz prve stranice dokumenta Nenadzirano učenje modela za monokularnu procjenu dubine
Rad nije dostupan
diplomski rad
Nenadzirano učenje modela za monokularnu procjenu dubine
2021. urn:nbn:hr:168:957646
Bilić, Ivan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Bilić, I. (2021). Nenadzirano učenje modela za monokularnu procjenu dubine (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:957646

Bilić, Ivan. "Nenadzirano učenje modela za monokularnu procjenu dubine." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:957646

Bilić, Ivan. "Nenadzirano učenje modela za monokularnu procjenu dubine." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:957646

Bilić, I. (2021). 'Nenadzirano učenje modela za monokularnu procjenu dubine', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 16.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:957646

Bilić I. Nenadzirano učenje modela za monokularnu procjenu dubine [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 16.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:957646

I. Bilić, "Nenadzirano učenje modela za monokularnu procjenu dubine", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:957646

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:957646
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovNenadzirano učenje modela za monokularnu procjenu dubine
Naslov (engleski)Unsupervised learning of models for monocular depth estimation
AutorIvan Bilić
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaMarko Čupić (član povjerenstva)
Član povjerenstvaIvan Petrović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-16, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Monokularna procjena dubine loše je postavljen problem kojeg karakterizira nedostatak geometrijskih ograničenja, a primjena dubokog učenja pokazuje se plodonosnom u računalnom vidu. Pristup zadatku podrazumijeva nenadzirano učenje dubokih konvolucijskih neuronskih mreža za procjenu dubine i relativne poze kamere, temeljenih na široko rasprostranjenoj arhitekturi U-Net. Pojedine induktivne pristranosti te korisna geometrijska svojstva - poput rijetke povezanosti i ekvivarijantnosti s obzirom na pomak, razlog su zbog kojeg spomenute arhitekture predstavljaju prikladan alat za rješavanje navedenog zadatka. Matematički okvir za nenadzirano učenje monokularne procjene dubine proizlazi iz modela kamere i geometrije nastanka slike, a svodi se na zadatak rekonstrukcije. Kod monokularnog pristupa, posebno se ističe problem skale te potreba za modelom za procjenu relativne poze kamere - dva povezana problema kojih nema kod stereo pristupa. Kvalitativni rezultati pokazuju pojedine učinke učenja i ugađanja modela na skupu KITTI te na internom skupu BIH. Arhitekturalne značajke poput procjene aleatorne nesigurnosti, rekonstrukcije značajki i mehanizma pozornosti, pokazuju se kao kompetitivne. Eksperimenti također pokazuju da se performanse monodepth2 modela na KITTI Eigen testnom skupu mogu unaprijediti pažljivijim odabirom vrijednosti pojedinih hiperparametara te upotrebom transponirane konvolucije za naduzorkovanje. Svi eksperimenti su temeljeni na monodepth2 modelu.
Sažetak (engleski)
Monocular depth estimation is an ill-posed problem that suffers from lack of geometric constraints, whilst deep learning has already proven itself for a variety of computer vision tasks. The approach consists of training deep convolutional neural networks deployed as popular and widely used U-Net architecture. These tools are known for possessing desirable inductive biases (e.g. sparse connectivity) and geometric properties (e.g. translational equivariance). Unsupervised learning for monocular depth estimation is enabled by a mathematical framework that arises from single view geometry and the pinhole camera model; the neural networks are trained to perform warping-based view synthesis. The "scale problem" and the need for relative camera pose estimation model are the key differences between monocular and stereo approach. Qualitative results show the effects of training and fine-tuning on KITTI and internal BIH datasets. Architectural features such as aleatoric uncertainty estimation, multi-scale feature reconstruction and attention mechanism are also competitive. Experiments also show that monodepth2 performance on KITTI Eigen test set can be improved by choosing different hyperparameter values and using transposed convolution for upsampling. All experiments are based on monodepth2 model.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:957646
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 11:49:23