Nástroj pro anotování lidarových dat se schopností se učit

Abstract

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.