Zobrazit minimální záznam

Ensemble Detection Models for LiDAR Point Clouds



dc.contributor.advisorVacek Patrik
dc.contributor.authorŠimon Pokorný
dc.date.accessioned2021-06-02T22:51:56Z
dc.date.available2021-06-02T22:51:56Z
dc.date.issued2021-06-02
dc.identifierKOS-983414148905
dc.identifier.urihttp://hdl.handle.net/10467/94483
dc.description.abstractŘešíme problém z oblasti počítačového vidění, kde se zaměřujeme na sdružené detekční metody neuronových sítí pro Li- DARové mraky bodů. Neuronové sítě jsou často naučené na konkrétní situace, což v některých případech výrazně zhoršuje jejich predikční schopnost. Úspěšnost pre- dikce na LiDARových mračnech bodů se zhoršuje s narůstající vzdáleností naskeno- vaných bodů. Sdružujeme modely z více pohledů, kdy jednotlivé modely pracují v různých projekcích a spojení probíhá v jedná datové representaci. První pohled se nazývá frontview, kdy se jedná o trans- formaci kanonických souřadnic mračna Li- DARových bodů do sférických souřadnic. Druhým pohledem je projekce naskenova- ných bodů do roviny xy s názvem Bird’s Eye View (BEV), neboli "ptačí pohled". V obou doménách pracují modely zamě- řené na konkrétní oblast či rozsah vzdá- leností. Dále využíváme semi-supervised učící techniku nazývanou pseudo-labelling, abychom vygenerovali label pomocí celého sdruženého modelu a tím dosáhli lepších výsledků v průměrném Jaccardově indexu oproti baseline architektuře.cze
dc.description.abstractWe address the problem of the ensemble neural networks in the LiDAR pointclouds. Neural networks are sometimes saturated for specific situations meaning they per- form worse on some scenarios due to ca- pacity issues. The prediction results in the LiDAR point cloud domain are deteriorat- ing with increasing distance due to the low density of the measurement in the remote areas. We are using a multi-view ensem- ble, which consists of detection models operating on a separate view and merging the transformation into one data represen- tation. We are using frontview projection, which is the transformation of the canoni- cal coordinates of the LiDAR point cloud to the spherical coordinates. The second view is the projection of scan points to xy plane called Bird’s Eye View (BEV). In the both projections we merge mod- els focusing on specific areas or distance range. We further exploit semi-supervised learning approach called pseudo-labelling in order to generate labels from the ensem- ble for baseline improvement. All meth- ods are evaluated on semantic segmenta- tion tasks in autonomous driving scenarios and achieve improvement in terms of IoU against the baseline architecture.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.subjectneurální sítěcze
dc.subjectsdružené metodycze
dc.subjectLiDARové mraky bodůcze
dc.subjectneural networkseng
dc.subjectensemble methodseng
dc.subjectLiDAR point cloudseng
dc.titleSdružené detekční modely pro LiDARové mraky bodůcze
dc.titleEnsemble Detection Models for LiDAR Point Cloudseng
dc.typebakalářská prácecze
dc.typebachelor 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