Popravi tabele in abstract
parent
7cadccff61
commit
630c2f4cca
BIN
diploma.pdf
BIN
diploma.pdf
Binary file not shown.
38
diploma.tex
38
diploma.tex
|
@ -378,14 +378,13 @@ Zahvala gre tudi družini za podporo pri pisanju diplomskega dela.
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
%\noindent\textbf{Povzetek:}
|
%\noindent\textbf{Povzetek:}
|
||||||
\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik.
|
\noindent Diplomsko delo predstavlja implementacijo trenutno vodilne metode za geolokalizacijo brezpilotnih letalnikov, ob izgubi sistema za določanje položaja.
|
||||||
V uvodu je predstavljena temeljna terminologija in koncepti s področja nevronskih mrež.
|
V okviru dela smo ustvarili novo podatkovno zbirko, ki vsebuje pare slik iz brezpilotnega letalnika in pripadajočih satelitskih posnetkov.
|
||||||
V metodološkem delu so podrobno razložene konvolucijske nevronske mreže, transformerska arhitektura ter njeni derivati, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT).
|
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).
|
||||||
Posebno pozornost namenjamo Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in slikami iz brezpilotnega letalnika.
|
Ključno vlogo je imela Siamska nevronska mreža za primerjavo vzorcev med obema vrstama slik.
|
||||||
Podatkovna množica, uporabljena za učenje in testiranje, vključuje slike brezpilotnega letalnika in satelitske slike.
|
Metodologija je bila podprta z različnimi optimizacijskimi strategijami, vključno z uporabo stratificiranega vzorčenja, Hanningovega okna in regularizacijskih tehnik.
|
||||||
V razdelku rezultatov so predstavljene ključne faze implementacije, učenja modela, izbire kriterijske funkcije ter različne optimizacijske strategije, kot je uporaba stratificiranega vzorčenja.
|
Rezultati potrjujejo učinkovitost predlagane metode za natančno geolokalizacijo brezpilotnih letalnikov.
|
||||||
Poudarjena je tudi vloga Hanningovega okna in regularizacijskih tehnik, kot je izpuščanje nevronov.
|
Delo zaključujemo s poudarkom na ključnih ugotovitvah in potencialu razvite metode.
|
||||||
Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkovitost predlagane metode za natančno lokalizacijo brezpilotnih letalnikov.
|
|
||||||
|
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
|
@ -407,14 +406,13 @@ Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkov
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
%\noindent\textbf{Abstract:}
|
%\noindent\textbf{Abstract:}
|
||||||
\noindent The thesis focuses on the use of advanced neural networks for the localization of drones using satellite imagery.
|
\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.
|
||||||
In the introduction, foundational terminology and concepts from the realm of neural networks are presented.
|
As part of the work, we created a new database containing pairs of images from unmanned aerial vehicles and corresponding satellite images.
|
||||||
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).
|
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).
|
||||||
Particular emphasis is given to the Siamese Neural Network, which is pivotal for comparing patterns between satellite and drone images.
|
The Siamese neural network played a crucial role in comparing samples between the two types of images.
|
||||||
The dataset used for training and testing encompasses drone images and satellite photos.
|
The methodology was supported by various optimization strategies, including the use of stratified sampling, Hanning window, and regularization techniques.
|
||||||
In the results section, key stages of implementation, model training, criterion function selection, and various optimization strategies, such as Stratified Sampling, are discussed.
|
The results confirm the effectiveness of the proposed method for accurate geolocation of unmanned aerial vehicles.
|
||||||
The role of the Hanning window and regularization techniques like dropout is also highlighted.
|
We conclude the work by emphasizing the key findings and the potential of the developed method.
|
||||||
The work concludes with final observations that underscore the potential and efficiency of the proposed method for precise drone localization.
|
|
||||||
\bigskip
|
\bigskip
|
||||||
|
|
||||||
\noindent\textbf{Keywords:} \tkeywordsEn.
|
\noindent\textbf{Keywords:} \tkeywordsEn.
|
||||||
|
@ -1043,8 +1041,10 @@ Na vsaki sliki je s pomočjo rdečega kroga označen center izreza, ki predstavl
|
||||||
\label{ch3}
|
\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.
|
V naslednjem podpoglavju bomo podrobneje predstavili postopek implementacije.
|
||||||
|
|
||||||
|
|
||||||
\section{Implementacija metode WAMF-FPI}
|
\section{Implementacija metode WAMF-FPI}
|
||||||
|
|
||||||
Sledenje objektov v okviru računalniškega vida običajno temelji na izračunu podobnosti med referenčno in iskalno podobo v trenutnem okviru.
|
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}
|
\label{tab:metode}
|
||||||
\end{table}
|
\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]
|
\begin{table}[ht]
|
||||||
\centering
|
\centering
|
||||||
|
@ -1393,9 +1393,9 @@ V tabeli \ref{tab:metode} prikazujemo napako v odstotkih za različne kriterijsk
|
||||||
Kriterijska funkcija & $<$ 10m [\%] & $<$ 20m [\%] & $<$ 50m [\%] & $<$ 100m [\%] \\
|
Kriterijska funkcija & $<$ 10m [\%] & $<$ 20m [\%] & $<$ 50m [\%] & $<$ 100m [\%] \\
|
||||||
\hline
|
\hline
|
||||||
HANN & 65.22 & 71.66 & 75.87 & 81.45 \\
|
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 \\
|
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
|
\hline
|
||||||
\end{tabular}
|
\end{tabular}
|
||||||
\caption{Rezultati ob uporabi različnih kriterijskih funkcij, kjer je prikazan odstotek primerov z napako manjšo od določene razdalje.}
|
\caption{Rezultati ob uporabi različnih kriterijskih funkcij, kjer je prikazan odstotek primerov z napako manjšo od določene razdalje.}
|
||||||
|
|
Loading…
Reference in New Issue