Nástroj pro anotování lidarových dat se schopností se učit
A Lidar Data Annotation Tool with the Ability to Learn
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Adam Pyszko
Vedoucí práce
Štěpán Petr
Oponent práce
Prágr Miloš
Studijní obor
Základy umělé inteligence a počítačových vědStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
A 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.htmlVysokoškolská 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.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce se zabývá problematikou efektivní anotace dat z LiDARu pro zlepšení navigačních schopností dronů v lesním prostředí. Hlavním cílem je vývoj anotačního nástroje, který využívá schopnosti konvolučních neuronových sítí (CNN) a pomáhá uživateli efektivněji a účinněji segmentovat a identifikovat kmeny stromů z dat generovaných pomocí LiDARu. Základní technikou projektu je převod vysokorozměrných dat LiDAR do dvourozměrného obrazového formátu ve stupních šedi, který je optimální pro konvoluční sítě, konkrétně pro přizpůsobený model U-Net. Tento přístup nejen zjednodušuje složitost dat, ale také zvyšuje výkonnost modelu při rozpoznávání a segmentaci klíčových prvků prostředí. This thesis addresses the challenge of efficiently annotating LiDAR data to improve the navigation capabilities of drones in forested environments. The primary objective is the development of an annotation tool that leverages the capabilities of Convolutional Neural Networks (CNNs) to assist the user in segmenting and identifying tree trunks from LiDAR-generated data more effectively and efficiently. The project's core technique is the conversion of high-dimensional LiDAR data into a two-dimensional grayscale image format that is optimal for convolutional neural networks, specifically an adapted U-Net model. This approach not only simplifies the data's complexity but also enhances the model's performance in recognising and segmenting crucial environmental features.
Kolekce
- Bakalářské práce - 13133 [777]