Popravi tabele in abstract
parent
7cadccff61
commit
630c2f4cca
BIN
diploma.pdf
BIN
diploma.pdf
Binary file not shown.
40
diploma.tex
40
diploma.tex
|
@ -378,14 +378,13 @@ Zahvala gre tudi družini za podporo pri pisanju diplomskega dela.
|
|||
\bigskip
|
||||
|
||||
%\noindent\textbf{Povzetek:}
|
||||
\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik.
|
||||
V uvodu je predstavljena temeljna terminologija in koncepti s področja nevronskih mrež.
|
||||
V metodološkem delu so podrobno razložene konvolucijske nevronske mreže, transformerska arhitektura ter njeni derivati, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT).
|
||||
Posebno pozornost namenjamo Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in slikami iz brezpilotnega letalnika.
|
||||
Podatkovna množica, uporabljena za učenje in testiranje, vključuje slike brezpilotnega letalnika in satelitske slike.
|
||||
V razdelku rezultatov so predstavljene ključne faze implementacije, učenja modela, izbire kriterijske funkcije ter različne optimizacijske strategije, kot je uporaba stratificiranega vzorčenja.
|
||||
Poudarjena je tudi vloga Hanningovega okna in regularizacijskih tehnik, kot je izpuščanje nevronov.
|
||||
Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkovitost predlagane metode za natančno lokalizacijo brezpilotnih letalnikov.
|
||||
\noindent Diplomsko delo predstavlja implementacijo trenutno vodilne metode za geolokalizacijo brezpilotnih letalnikov, ob izgubi sistema za določanje položaja.
|
||||
V okviru dela smo ustvarili novo podatkovno zbirko, ki vsebuje pare slik iz brezpilotnega letalnika in pripadajočih satelitskih posnetkov.
|
||||
Osredotočili smo se na uporabo naprednih nevronskih mrež, zlasti konvolucijskih mrež, transformerske arhitekture in njenih derivatov, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT).
|
||||
Ključno vlogo je imela Siamska nevronska mreža za primerjavo vzorcev med obema vrstama slik.
|
||||
Metodologija je bila podprta z različnimi optimizacijskimi strategijami, vključno z uporabo stratificiranega vzorčenja, Hanningovega okna in regularizacijskih tehnik.
|
||||
Rezultati potrjujejo učinkovitost predlagane metode za natančno geolokalizacijo brezpilotnih letalnikov.
|
||||
Delo zaključujemo s poudarkom na ključnih ugotovitvah in potencialu razvite metode.
|
||||
|
||||
\bigskip
|
||||
|
||||
|
@ -407,14 +406,13 @@ Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkov
|
|||
\bigskip
|
||||
|
||||
%\noindent\textbf{Abstract:}
|
||||
\noindent The thesis focuses on the use of advanced neural networks for the localization of drones using satellite imagery.
|
||||
In the introduction, foundational terminology and concepts from the realm of neural networks are presented.
|
||||
The methodology section provides a detailed exploration of convolutional neural networks, transformer architecture, and its derivatives like the Vision Transformer (ViT) and the Pyramid Vision Transformer (PVT).
|
||||
Particular emphasis is given to the Siamese Neural Network, which is pivotal for comparing patterns between satellite and drone images.
|
||||
The dataset used for training and testing encompasses drone images and satellite photos.
|
||||
In the results section, key stages of implementation, model training, criterion function selection, and various optimization strategies, such as Stratified Sampling, are discussed.
|
||||
The role of the Hanning window and regularization techniques like dropout is also highlighted.
|
||||
The work concludes with final observations that underscore the potential and efficiency of the proposed method for precise drone localization.
|
||||
\noindent The thesis presents the implementation of the currently leading method for geolocation of unmanned aerial vehicles, in the event of a loss of the positioning system.
|
||||
As part of the work, we created a new database containing pairs of images from unmanned aerial vehicles and corresponding satellite images.
|
||||
We focused on the use of advanced neural networks, especially convolutional networks, transformer architecture, and its derivatives, such as Vision Transformer (ViT) and Pyramid Vision Transformer (PVT).
|
||||
The Siamese neural network played a crucial role in comparing samples between the two types of images.
|
||||
The methodology was supported by various optimization strategies, including the use of stratified sampling, Hanning window, and regularization techniques.
|
||||
The results confirm the effectiveness of the proposed method for accurate geolocation of unmanned aerial vehicles.
|
||||
We conclude the work by emphasizing the key findings and the potential of the developed method.
|
||||
\bigskip
|
||||
|
||||
\noindent\textbf{Keywords:} \tkeywordsEn.
|
||||
|
@ -1042,9 +1040,11 @@ Na vsaki sliki je s pomočjo rdečega kroga označen center izreza, ki predstavl
|
|||
\chapter{Implementacija}
|
||||
\label{ch3}
|
||||
|
||||
V tem poglavju se bomo osredotočili na implementacijo modela WAMF-FPI, RDS metriko ter samo učenje modela.
|
||||
V tem poglavju se bomo osredotočili na implementacijo modela WAMF-FPI, RDS metriko ter samo učenje modela.
|
||||
Odločili smo se za lastno implementacijo metode, saj originalna koda iz članka \cite{wang2023wamf} ni bila javno dostopna.
|
||||
V naslednjem podpoglavju bomo podrobneje predstavili postopek implementacije.
|
||||
|
||||
|
||||
\section{Implementacija metode WAMF-FPI}
|
||||
|
||||
Sledenje objektov v okviru računalniškega vida običajno temelji na izračunu podobnosti med referenčno in iskalno podobo v trenutnem okviru.
|
||||
|
@ -1384,7 +1384,7 @@ CWMSE & 0.007 & 0.07 & 0.06 & 242.70\\
|
|||
\label{tab:metode}
|
||||
\end{table}
|
||||
|
||||
V tabeli \ref{tab:metode} prikazujemo napako v odstotkih za različne kriterijske funkcije glede na razdaljo. Iz tabele je razvidno, kolikšen delež primerov ima napako manjšo od določene razdalje.
|
||||
V tabeli \ref{tab:metode_m} prikazujemo napako v odstotkih za različne kriterijske funkcije glede na razdaljo. Iz tabele je razvidno, kolikšen delež primerov ima napako manjšo od določene razdalje.
|
||||
|
||||
\begin{table}[ht]
|
||||
\centering
|
||||
|
@ -1393,9 +1393,9 @@ V tabeli \ref{tab:metode} prikazujemo napako v odstotkih za različne kriterijsk
|
|||
Kriterijska funkcija & $<$ 10m [\%] & $<$ 20m [\%] & $<$ 50m [\%] & $<$ 100m [\%] \\
|
||||
\hline
|
||||
HANN & 65.22 & 71.66 & 75.87 & 81.45 \\
|
||||
GWMSE & 0.10 & 0.37 & 1.96 & 8.08 \\
|
||||
HWMSE & 0.00 & 0.10 & 1.35 & 6.71 \\
|
||||
CWMSE & 0.05 & 0.22 & 1.93 & 8.59 \\
|
||||
MSE & 0.10 & 0.37 & 1.96 & 8.08 \\
|
||||
MSE & 0.00 & 0.10 & 1.35 & 6.71 \\
|
||||
\hline
|
||||
\end{tabular}
|
||||
\caption{Rezultati ob uporabi različnih kriterijskih funkcij, kjer je prikazan odstotek primerov z napako manjšo od določene razdalje.}
|
||||
|
|
Loading…
Reference in New Issue