Show simple item record

Deep learning for dense reconstruction from sparse depth measurements



dc.contributor.advisorŠalanský Vojtěch
dc.contributor.authorDmitrii Noskov
dc.date.accessioned2019-06-11T14:43:30Z
dc.date.available2019-06-11T14:43:30Z
dc.date.issued2019-06-04
dc.identifierKOS-773337288805
dc.identifier.urihttp://hdl.handle.net/10467/82342
dc.description.abstract3D rekonstrukce je důležitým komponentem pro základní bezpečnostní funkcí autonomního vozidla, jako je nouzové brzdění, prediktivní kontrola aktivního tlumení, bezpečné otáčení na křižovatce, nebo odhadnutí vlastní polohy na offline mapě. V důsledku toho každé plně autonomní vozidlo vyžaduje senzor, který poskytne měření s vysokým rozlišením a 3D měření hloubky na dlouhé vzdálenosti. Senzory s vysokým rozlišením jsou drahé, těžké, pomalé a náchylné k mechanickému opotřebení. Snímače hloubky s nízkým rozlišením (např. pouze s čtyřmi řádky měření) jsou často používány v současných poloautonomních automobilech a odhaduje se místní mapa 3D rekonstrukce. Hlavním cílem této práce se naučit konvoluční neuronovou síť’ pro 3D rekonstrukci mapy voxelů z řídkých hloubkových měření.cze
dc.description.abstractAccurate 3D reconstruction is an essential component for many of fundamental capabilities such as emergency braking, predictive control for active damping, safe turning in a road intersection or self-localization from offline maps. Consequently, any fullyautonomous vehicle requires a sensor providing high resolution and long range 3D measurements. The highresolution sensors are expensive, heavy, slow and prone to mechanical wear. Therefore low-resolution depth sensors(e.g. with only 4-row measurements planes) are often used in contemporary semi-autonomous cars, and the local 3D reconstruction map is estimated. The main goal of this thesis is to learn a deep convolutional neural network for dense 3D voxel map reconstruction from sparse depth measurement.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.subjectneuronová síťcze
dc.subject3d rekonstrukcecze
dc.subjectKITTI datasetcze
dc.subjectvoxelová mapacze
dc.subjecthluboké učenícze
dc.subjectneural networkeng
dc.subject3d reconstructioneng
dc.subjectKITTI dataseteng
dc.subjectvoxel mapeng
dc.subjectdeep learningeng
dc.titleHluboké učení pro rekonstrukci prostředí z řídkých hloubkových měřenícze
dc.titleDeep learning for dense reconstruction from sparse depth measurementseng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeKrajník Tomáš
theses.degree.disciplineSoftwarové systémycze
theses.degree.grantorkatedra počítačůcze
theses.degree.programmeOtevřená informatikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record