Zobrazit minimální záznam

Active Learning for Semantic Segmentation in 3D Point Cloud Sequences



dc.contributor.advisorSvoboda Tomáš
dc.contributor.authorPetr Šebek
dc.date.accessioned2023-06-06T22:51:54Z
dc.date.available2023-06-06T22:51:54Z
dc.date.issued2023-06-06
dc.identifierKOS-1240440765205
dc.identifier.urihttp://hdl.handle.net/10467/108586
dc.description.abstractWe propose an extension of the ReDAL[15] active learning method. Our extension makes annotations of dynamic objects in 3D LiDAR point cloud easier and more effective. It can create instances of objects in point cloud and link them through time, without any manual annotations. Therefore, the annotator is able to annotate an object in a whole sequence just by one action. Thanks to our pipeline, we can improve mIoU by 1.67 percentage points over ReDAL[15], i.e. from 92.1% of performance of fully supervised learning to 94.7%, with the same amount of manually annotated data. For our extension, we create a user interface for fast labeling that uses the output of our extension.cze
dc.description.abstractVytvořili jsme vylepšení metody ReDAL[15], která se zabývá aktiv- ním učením. Naše vylepšení zjednodušuje a zefektivňuje anotace dynamických objektů v 3D mračnech bodů. Dokáže vytvořit instance dynamických objektů a propojit je v čase a to bez potřeby jakékoli manuální anotace. Anotátor tedy může anotovat objekt ve všech časech jednou akcí. Pomocí naši metody jsme zlepšili výsledek učení o 1.67 procentního bodu, oproti ReDALu[15] a to z 92.1% výsledku plně supervizovaného učení na 94.7%, při stejném množství manuálně anotovaných dat. Pro naše rozšíření jsme také vytvořili uživatelské rozhraní pro rychlé anotování, které využívá výsledky naší metody.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectAktivní učenícze
dc.subjectLiDARová datacze
dc.subjecthluboké učenícze
dc.subjectactive learningeng
dc.subjectLiDAR dataeng
dc.subjectdeep learningeng
dc.titleAktivní učení pro sémantickou segmentaci sekvence mračen 3D bodůcze
dc.titleActive Learning for Semantic Segmentation in 3D Point Cloud Sequenceseng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeHurych David
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeKybernetika a robotikacze


Soubory tohoto záznamu




Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam