Popravki
BIN
diploma.pdf
137
diploma.tex
|
@ -289,7 +289,7 @@ Besedilo je oblikovano z urejevalnikom besedil \LaTeX.}
|
|||
\bigskip
|
||||
\noindent\textbf{Opis:}\\
|
||||
V zadnjem času postaja uporaba brezpilotnih letalnikov vse bolj razširjena in se uporablja v različnih področjih, kot so agrikultura, kartiranje, vojaške operacije in še mnogo drugih.
|
||||
Kljub njihovi vsestranskosti pa se poraja ključno vprašanje: kako se droni obnašajo, ko izgubijo stik z GPS sistemom?
|
||||
Kljub njihovi vsestranskosti pa se poraja ključno vprašanje: kako se brezpilotni letalniki obnašajo, ko izgubijo stik z GPS sistemom?
|
||||
Diplomska naloga se osredotoča na to tematiko in predlaga metodo za lokalizacijo brezpilotnih letalnikov ob izgubi GPS signala.
|
||||
|
||||
\bigskip
|
||||
|
@ -378,7 +378,7 @@ This thesis focuses on this issue and proposes a method for localizing UAVs in t
|
|||
\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik.
|
||||
V uvodu je predstavljena osnovna 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 je namenjena Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in dronskimi slikami.
|
||||
Posebno pozornost je namenjena 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.
|
||||
|
@ -447,16 +447,16 @@ V praksi to pomeni, ko imamo bazo sestavljeno iz milijonov slik, bo vsaka nova p
|
|||
V luči omejitev tradicionalnih metod prepoznavanja slik so raziskovalci razvili inovativen pristop, imenovan FPI (Finding Point with Image) \cite{dai2022finding}.
|
||||
Ta pristop se razlikuje od običajnih metod v smislu strukture in delovanja.
|
||||
FPI sprejme dva vhodna podatka: sliko, posneto z brezpilotnim letalnikom, in pripadajočo satelitsko sliko.
|
||||
V kontekstu te satelitske slike je mesto, kjer je bila slika z drona posneta.
|
||||
V kontekstu te satelitske slike je mesto, kjer je bila slika iz brezpilotnega letalnika posneta.
|
||||
|
||||
Za obdelavo vsake slike se uporablja posebna nevronska mreža, kjer vsaka mreža obdeluje svoj nabor podatkov brez deljenja uteži z drugo.
|
||||
Ko sta obe sliki obdelani in njihove značilke izluščene, se med njima izvede operacija korelacije.
|
||||
Ta mera podobnosti se predstavi v obliki toplotne karte, ki prikazuje stopnjo ujemanja med dronsko in satelitsko sliko.
|
||||
Najvišja vrednost na toplotni karti natančno označuje mesto, kjer je dron posnel svojo sliko na večji satelitski sliki.
|
||||
Ta informacija se nato neposredno prevede v natančno lokalizacijo drona na satelitski sliki.
|
||||
Ta mera podobnosti se predstavi v obliki toplotne karte, ki prikazuje stopnjo ujemanja med sliko brezpilotnega letalnika in satelitsko sliko.
|
||||
Najvišja vrednost na toplotni karti natančno označuje mesto, kjer je brezpilotni letalnik posnel svojo sliko na večji satelitski sliki.
|
||||
Ta informacija se nato neposredno prevede v natančno lokalizacijo brezpilotnega letalnika na satelitski sliki.
|
||||
|
||||
Inovacije v znanstvenem raziskovanju pogosto vodijo do nadaljnjih metodoloških izboljšav.
|
||||
Nadgradnja metode FPI, znana kot WAMF-FPI, je dodatno izboljšala natančnost in učinkovitost lokalizacije dronov \cite{dai2022finding}.
|
||||
Nadgradnja metode FPI, znana kot WAMF-FPI, je dodatno izboljšala natančnost in učinkovitost lokalizacije brezpilotnih letalnikov \cite{dai2022finding}.
|
||||
Ta pristop je integriral koncepte iz območja sledenja objektov za potrebe lokalizacije, ob soočanju z izzivi, ki jih predstavljajo razlike med slikami UAV in satelitskimi slikami.
|
||||
Z uporabo dveh različnih uteži za izvleček značilnosti UAV in satelitskih slik, WAMF-FPI omogoča natančnejše in bolj zanesljivo ujemanje slik.
|
||||
Dodatna optimizacija je bila dosežena z vključitvijo WAMF modula in uporabo Hanningove kriterijske funkcije, ki sta povečala učinkovitost modela.
|
||||
|
@ -530,27 +530,6 @@ Osnovna struktura CNN vključuje štiri glavne vrste plasti: konvolucijsko, akti
|
|||
Delujejo kot klasične plasti v običajnih nevronskih mrežah. Vsak nevron je povezan z vsemi izhodi prejšnje plasti.
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Učenje in optimizacija}
|
||||
\todo[color=green!40]{Mislim to je kljucno za vse metode, iguess je potrebno. Lahko tudi vrzemo ven}
|
||||
Glavni mehanizem učenja v CNN je vzvratno širjenje napak (backpropagation).
|
||||
To je iterativna metoda, ki minimizira kriterijsko funkcijo, da bi ugotovili optimalne uteži mreže.
|
||||
Za mnoge naloge v obdelavi slik je kvadratna napaka (MSE) izbrana kot kriterijska funkcija:
|
||||
|
||||
\begin{center}
|
||||
\begin{equation}
|
||||
J(w) = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2
|
||||
\end{equation}
|
||||
\end{center}
|
||||
|
||||
Za optimizacijo uteži se uporablja gradientni sestop.
|
||||
Za vsako iteracijo se uteži posodobijo v smeri negativnega gradienta kriterijske funkcije:
|
||||
|
||||
\begin{center}
|
||||
\begin{equation}
|
||||
w_{\text{novi}} = w_{\text{stari}} - \eta \nabla J(w_{\text{stari}})
|
||||
\end{equation}
|
||||
\end{center}
|
||||
|
||||
\subsection{Značilnosti in prednosti}
|
||||
Konvolucijske mreže so sposobne avtomatskega zaznavanja hierarhičnih značilnosti.
|
||||
Na nižjih ravneh mreže se zaznavajo nizkonivojske značilnosti, kot so robovi in teksture, na višjih ravneh pa se zaznavajo kompleksnejše strukture, kot so oblike in objekti.
|
||||
|
@ -558,7 +537,8 @@ Ta hierarhična značilnost je tisto, kar omogoča CNN, da doseže izjemno natan
|
|||
|
||||
\section{Transformerska arhitektura}
|
||||
|
||||
\todo{Dodaj uvod v podpoglavje}
|
||||
V tem podpoglavju bomo obravnavali razvoj in lastnosti transformerske arhitekture.
|
||||
Predstavljeno bo ozadje, vključno s prejšnjimi mehanizmi, kot so rekurentne nevronske mreže, ter detajli o njihovi zgradbi in delovanju.
|
||||
|
||||
\subsection{Predhodni mehanizmi}
|
||||
|
||||
|
@ -839,7 +819,7 @@ Na sliki \ref{fig:pvt} je prikazana skica PVT modela.
|
|||
\label{fig:pvt}
|
||||
\end{figure}
|
||||
|
||||
\section{Piramidni vision transformer z uporabo lokalnih značilnosti (PCPVT)}
|
||||
\section{Piramidni ViT z uporabo lokalnih značilnosti (PCPVT)}
|
||||
Twins-PCPVT \cite{chu2021twins} je zasnovan na osnovi PVT in CPVT \cite{chu2021conditional}. Glavna razlika med Twins-PCPVT in PVT je v načinu uporabe pozicijskih kodiranj.
|
||||
V PVT so uporabljena absolutna pozicijska kodiranja, medtem ko Twins-PCPVT uporablja pogojna pozicijska kodiranja (ang. Conditional Positional Encoding - CPE),
|
||||
ki so bila predlagana v CPVT.
|
||||
|
@ -910,7 +890,7 @@ Te slike nudijo bogate detajle in so ključne za razumevanje fine strukture tere
|
|||
|
||||
Drugi vir podatkov predstavljajo satelitske slike, pridobljene preko Mapbox API \cite{mapbox_api}.
|
||||
Satelitske slike prinašajo širši pogled na regijo in omogočajo razumevanje večjih geografskih in prostorskih vzorcev.
|
||||
V kombinaciji z dronskimi slikami te slike nudijo celovito sliko terena z različnih višin in ločljivosti.
|
||||
V kombinaciji z slikami brezpilotnega letalnika te slike nudijo celovito sliko terena z različnih višin in ločljivosti.
|
||||
|
||||
Skupno naša podatkovna množica vključuje več kot 11.000 slik posnetih z brezpilotnim letalnikom in njihovih pripadajočih satelitskih slik.
|
||||
Ta obsežna zbirka podatkov nam omogoča, da model WAMF-FPI testiramo in validiramo v številnih različnih scenarijih in pogojih,
|
||||
|
@ -922,7 +902,7 @@ V nasprotju z UL14, naša podatkovna množica ne zajema samo stavb, temveč tudi
|
|||
zelene površine in druge značilnosti terena, kar prinaša širši spekter značilnosti za analizo, ter predstavlja bolj realne okoliščine.
|
||||
|
||||
\section{Slike brezpilotnega letalnika}
|
||||
Nabor podatkov, ki ga predstavljamo, je bil zasnovan z namenom raziskovanja in analize dronov v različnih mestnih scenarijih.
|
||||
Nabor podatkov, ki ga predstavljamo, je bil zasnovan z namenom raziskovanja in analizel lokalizacije brezpilotnih letalnikov v različnih mestnih scenarijih.
|
||||
Osredotoča se na dve ključni območji:
|
||||
|
||||
\begin{enumerate}
|
||||
|
@ -940,16 +920,16 @@ Kamere na brezpilotnih letalnikih imajo vidno polje 80 stopinj in so usmerjene p
|
|||
Mesta, vključena v učni nabor podatkov, so:
|
||||
|
||||
\begin{itemize}
|
||||
\item \textbf{Maribor:} Nadmorska višina: 272m, Višina drona: 150m, Skupaj: 422m nad morsko gladino.
|
||||
\item \textbf{Trst:} Nadmorska višina: 23m, Višina drona: 150m, Skupaj: 173m nad morsko gladino.
|
||||
\item \textbf{Zagreb:} Nadmorska višina: 158m, Višina drona: 150m, Skupaj: 308m nad morsko gladino.
|
||||
\item \textbf{Gradec:} Nadmorska višina: 353m, Višina drona: 150m, Skupaj: 503m nad morsko gladino.
|
||||
\item \textbf{Celovec:} Nadmorska višina: 446m, Višina drona: 150m, Skupaj: 596m nad morsko gladino.
|
||||
\item \textbf{Videm:} Nadmorska višina: 113m, Višina drona: 150m, Skupaj: 263m nad morsko gladino.
|
||||
\item \textbf{Pula:} Nadmorska višina: 17m, Višina drona: 150m, Skupaj: 167m nad morsko gladino.
|
||||
\item \textbf{Pordenone:} Nadmorska višina: 24m, Višina drona: 150m, Skupaj: 174m nad morsko gladino.
|
||||
\item \textbf{Szombathely:} Nadmorska višina: 212m, Višina drona: 150m, Skupaj: 362m nad morsko gladino.
|
||||
\item \textbf{Benetke:} Nadmorska višina: -1m, Višina drona: 150m, Skupaj: 149m nad morsko gladino.
|
||||
\item \textbf{Maribor:} Nadmorska višina: 272m, Višina brezpilotnega letalnika: 150m, Skupaj: 422m nad morsko gladino.
|
||||
\item \textbf{Trst:} Nadmorska višina: 23m, Višina brezpilotnega letalnika: 150m, Skupaj: 173m nad morsko gladino.
|
||||
\item \textbf{Zagreb:} Nadmorska višina: 158m, Višina brezpilotnega letalnika: 150m, Skupaj: 308m nad morsko gladino.
|
||||
\item \textbf{Gradec:} Nadmorska višina: 353m, Višina brezpilotnega letalnika: 150m, Skupaj: 503m nad morsko gladino.
|
||||
\item \textbf{Celovec:} Nadmorska višina: 446m, Višina brezpilotnega letalnika: 150m, Skupaj: 596m nad morsko gladino.
|
||||
\item \textbf{Videm:} Nadmorska višina: 113m, Višina brezpilotnega letalnika: 150m, Skupaj: 263m nad morsko gladino.
|
||||
\item \textbf{Pula:} Nadmorska višina: 17m, Višina brezpilotnega letalnika: 150m, Skupaj: 167m nad morsko gladino.
|
||||
\item \textbf{Pordenone:} Nadmorska višina: 24m, Višina brezpilotnega letalnika: 150m, Skupaj: 174m nad morsko gladino.
|
||||
\item \textbf{Szombathely:} Nadmorska višina: 212m, Višina brezpilotnega letalnika: 150m, Skupaj: 362m nad morsko gladino.
|
||||
\item \textbf{Benetke:} Nadmorska višina: -1m, Višina brezpilotnega letalnika: 150m, Skupaj: 149m nad morsko gladino.
|
||||
\end{itemize}
|
||||
|
||||
\todo{A tuki je misljeno da za vsako mesto dam primer slike?}
|
||||
|
@ -969,9 +949,9 @@ Vsako mesto razkriva svojo edinstveno strukturo in raven urbanizacije.
|
|||
Te razlike so ključnega pomena pri razumevanju izzivov, s katerimi se srečujejo brezpilotni letalniki pri lokalizaciji in navigaciji v različnih mestnih okoljih.
|
||||
|
||||
Nekatera mesta, kot sta Gradec in Pula, kažejo višjo stopnjo urbanizacije z minimalno prisotnostjo zelenih površin.
|
||||
To pomeni, da bodo droni v teh okoljih večinoma navigirali med zgradbami.
|
||||
To pomeni, da bodo brezpilotni letalniki v teh okoljih večinoma navigirali med zgradbami.
|
||||
Na drugi strani pa mesta, kot je Zagreb, predstavljajo večjo mešanico zgradb in zelenih površin.
|
||||
Takšne razlike lahko vplivajo na algoritme lokalizacije in navigacije dronov, saj se morajo prilagajati različnim scenarijem in oviram.
|
||||
Takšne razlike lahko vplivajo na algoritme lokalizacije in navigacije brezpilotnih letalnikov, saj se morajo prilagajati različnim scenarijem in oviram.
|
||||
|
||||
\begin{figure}[h]
|
||||
\centering
|
||||
|
@ -990,8 +970,8 @@ Na sliki \ref{fig:drone_image_example} je prikazan primer slike brezpilotnega le
|
|||
\end{figure}
|
||||
|
||||
\section{Satelitske slike}
|
||||
Za vsako dronsko sliko smo poiskali ustrezen satelitski "tile" ali ploščico.
|
||||
Ta korak je bil ključnega pomena, saj je zagotovil, da so satelitske slike popolnoma usklajene z dronskimi slikami v smislu geografske lokacije.
|
||||
Za vsako sliko posneto z brezpilotnim letalnikom smo poiskali ustrezen satelitski "tile" ali ploščico.
|
||||
Ta korak je bil ključnega pomena, saj je zagotovil, da so satelitske slike popolnoma usklajene z slikami posnetimi iz brezpilotnega letalnika v smislu geografske lokacije.
|
||||
Ko smo identificirali ustrezno satelitsko ploščico, smo jo prenesli neposredno iz Mapbox API-ja, priznanega vira za visokokakovostne satelitske slike.
|
||||
Da bi zagotovili dodatno globino in kontekst za vsako lokacijo, nismo prenesli samo osrednje ploščice, temveč tudi vse njene sosednje ploščice.
|
||||
Te sosednje ploščice smo nato združili z osrednjo ploščico za ustvarjanje enotne TIFF datoteke.
|
||||
|
@ -1021,13 +1001,20 @@ Za pretvorbo geografskih koordinat (latitudo in longitudo) v ploščične koordi
|
|||
\end{align*}
|
||||
\end{itemize}
|
||||
|
||||
Na sliki \ref{fig:corresponding_sat_image_example} je prikazan primer pripadajoče satelitske slike za dronsko sliko.
|
||||
Na sliki \ref{fig:sat_image_ljubljana} je prikazan primer pripadajoče satelitske slike za sliko zajeto z brezpilotnim letalnikom.
|
||||
|
||||
\begin{figure}[h]
|
||||
\centering
|
||||
\includegraphics[width=0.45\textwidth]{./img/corresponding_sat_image_example.png}
|
||||
\caption{Primer pripadajoče satelitske slike za dronsko sliko.}
|
||||
\label{fig:corresponding_sat_image_example}
|
||||
\includegraphics[width=0.45\textwidth]{./img/sat_image_ljubljana.png}
|
||||
\caption{Primer pripadajoče satelitske slike sliko zajeto z brezpilotnim letalnikom.}
|
||||
\label{fig:sat_image_ljubljana}
|
||||
\end{figure}
|
||||
|
||||
\begin{figure}[h]
|
||||
\centering
|
||||
\includegraphics[width=0.45\textwidth]{./img/sat_image_trieste.png}
|
||||
\caption{Primer satelitske slike zajete v mestu Trst.}
|
||||
\label{fig:sat_image_trieste}
|
||||
\end{figure}
|
||||
|
||||
\todo{Tukaj nimam idej kako bi dodal vec primerov in kako bi polepsal vizualizacijo.}
|
||||
|
@ -1052,20 +1039,20 @@ Vsako od teh področij je v nadaljevanju podrobno obravnavano, pri čemer so pod
|
|||
|
||||
Sledenje objektov v okviru računalniškega vida običajno temelji na izračunu podobnosti med referenčno in iskalno podobo v trenutnem okviru.
|
||||
Medtem ko temeljna metoda za iskanje točk znotraj slike izhaja iz metodologije sledenja objektov, je prva v primerjavi z drugo bolj zapletena.
|
||||
To je posledica različnih perspektiv med predlogo (dronsko sliko) in iskalno sliko (satelitsko sliko), ki povzročajo veliko variacijo.
|
||||
To je posledica različnih perspektiv med predlogo (sliko posneto z brezpilotnim letalnikom) in iskalno sliko (satelitsko sliko), ki povzročajo veliko variacijo.
|
||||
|
||||
Metoda iskanja točk uporablja satelitsko sliko kot referenčno in dronsko sliko kot poizvedbeno.
|
||||
Obe sliki – posneto z dronom in satelitsko sliko relevantnega območja – se nato prenesejo v end-to-end omrežje.
|
||||
Po obdelavi je rezultat toplotna karta, kjer točka z najvišjo vrednostjo predstavlja lokacijo drona, kot jo predvideva model.
|
||||
Lokacijo nato preslikamo na satelitsko sliko, pri čemer položaj drona določimo na podlagi geografske širine in dolžine, ki jih vsebuje satelitska slika.
|
||||
V FPI avtorji kot modul za izluščenje značilnosti uporabljajo dva Deit-S brez deljenih uteži za vertikalne poglede dronske in satelitske slike \cite{dai2022finding}.
|
||||
Ekstrahirane značilnosti nato uporabimo za izračun podobnosti in izdelavo toplotne karte. Lokacijo z najvišjo vrednostjo toplotne karte nato preslikamo na satelitsko sliko, da določimo lokacijo drona.
|
||||
Metoda iskanja točk uporablja satelitsko sliko kot referenčno in sliko iz brezpilotnega letalnika kot poizvedbeno.
|
||||
Obe sliki – posneto z brezpilotnim letalnikom in satelitsko sliko relevantnega območja – se nato prenesejo v end-to-end omrežje.
|
||||
Po obdelavi je rezultat toplotna karta, kjer točka z najvišjo vrednostjo predstavlja lokacijo brezpilotnega letalnika, kot jo predvideva model.
|
||||
Lokacijo nato preslikamo na satelitsko sliko, pri čemer položaj brezpilotnega letalnika določimo na podlagi geografske širine in dolžine, ki jih vsebuje satelitska slika.
|
||||
V FPI avtorji kot modul za izluščenje značilnosti uporabljajo dva Deit-S brez deljenih uteži za vertikalne poglede slike brezpilotnega letalnika in satelitske slike \cite{dai2022finding}.
|
||||
Ekstrahirane značilnosti nato uporabimo za izračun podobnosti in izdelavo toplotne karte. Lokacijo z najvišjo vrednostjo toplotne karte nato preslikamo na satelitsko sliko, da določimo lokacijo brezpilotnega letalnika.
|
||||
|
||||
V FPI je za izračun podobnosti uporabljena zadnja plast zemljevidnih značilnosti \cite{dai2022finding}.
|
||||
Zaradi tega, ker je izhodna toplotna karta 16-krat manjša od vhodne satelitske slike, model izgubi veliko prostorskih informacij, kar vodi v znatno izgubo natančnosti pozicioniranja.
|
||||
|
||||
Da bi izboljšali lokalizacijske sposobnosti modela, smo uporabili strukturo piramidnih značilnosti (Twins-PCPVT) in modul utežno prilagodljivega združevanja večznačilnostnih lastnosti (WAMF).
|
||||
K osnovnemu modelu so bile dodane izboljšave z vključitvijo dveh močnejših PCPVT-S modulov za izluščenje značilnosti iz dronskih in satelitskih slik.
|
||||
K osnovnemu modelu so bile dodane izboljšave z vključitvijo dveh močnejših PCPVT-S modulov za izluščenje značilnosti iz slik brezpilotnega letalnika in satelitskih slik.
|
||||
Da bi bolje zajeli informacije na različnih ločljivostih in ohranili več prostorskih informacij, so bile prvotno izluščene značilnosti poslane v omrežje značilnostne piramide za nadaljnjo obdelavo.
|
||||
Modul WAMF je bil nato uporabljen za izračun podobnosti in združevanje različnih značilnosti.
|
||||
Končne združene značilnosti so bile razširjene za izdelavo končne izhodne napovedne mape.
|
||||
|
@ -1236,7 +1223,7 @@ Za dosego optimalnih rezultatov smo uporabili specifične hiperparametre in nast
|
|||
Za vsako iteracijo učenja smo iz vsake satelitske TIFF datoteke naključno izrezali regijo velikosti 400x400 pikslov.
|
||||
Ključnega pomena je bilo, da se je točka lokalizacije vedno nahajala nekje znotraj te izrezane regije.
|
||||
Ta metoda nam je zagotovila, da je bil model izpostavljen širokemu naboru scenarijev in kontekstov, hkrati pa smo ohranili natančnost in relevantnost lokalizacijskih podatkov.
|
||||
S tem pristopom smo uspešno sestavili nabor podatkov, ki združuje najboljše iz obeh svetov: detajlnost dronskih slik in širino satelitskih slik, kar omogoča poglobljeno analizo in učinkovito učenje.
|
||||
S tem pristopom smo uspešno sestavili nabor podatkov, ki združuje najboljše iz obeh svetov: detajlnost slik posnetih z brezpilotnim letalnikom in širino satelitskih slik, kar omogoča poglobljeno analizo in učinkovito učenje.
|
||||
|
||||
\section{Izbira kriterjiske funkcije}
|
||||
|
||||
|
@ -1513,7 +1500,7 @@ Pogoji eksperimenta so bili naslednji:
|
|||
|
||||
\begin{itemize}
|
||||
\item Vsak model je bil posebej natreniran z različno velikostjo Hanningovega okna. To smo storili, da bi preverili vpliv različnih velikosti oken na uspešnost in natančnost modela.
|
||||
\item Po treniranju vsakega modela smo za testiranje uporabili enostaven primer kombinacije dronske in satelitske slike.
|
||||
\item Po treniranju vsakega modela smo za testiranje uporabili enostaven primer kombinacije slike zajete z brezpilotnim letalnikom in satelitske slike.
|
||||
To nam je omogočilo direktno primerjavo delovanja modelov na isti vhodni podatki in tako odpravilo morebitne nejasnosti ali napake, ki bi jih prinesli različni vhodni podatki.
|
||||
\item Referenčni sliki, ki smo ju uporabili za testiranje, je prikazana na sliki \ref{fig:sat_drone}.
|
||||
Slika brezpilotnega letanika predstavlja tipičen primer slike, s katero se naš model srečuje v praksi in vsebuje različne značilnosti terena, ki so pomembne za lokalizacijo.
|
||||
|
@ -1541,21 +1528,41 @@ Zaključimo lahko, da je izbira prave velikosti Hanningovega okna ključna za do
|
|||
\label{fig:plot_different_hann_kernels}
|
||||
\end{figure}
|
||||
|
||||
\todo{Popravi te slike!!!}
|
||||
\todo{Treba preverit ce je zdej kul}
|
||||
\begin{figure}[H]
|
||||
\centering
|
||||
\includegraphics[width=0.4\textwidth]{./img/heatmaps3d_1.png}
|
||||
\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_1.png}
|
||||
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||
\label{fig:heatmaps3d_1}
|
||||
\end{figure}
|
||||
|
||||
\begin{figure}[H]
|
||||
\centering
|
||||
\includegraphics[width=0.4\textwidth]{./img/heatmaps3d_2.png}
|
||||
\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_2.png}
|
||||
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||
\label{fig:heatmaps3d_2}
|
||||
\end{figure}
|
||||
|
||||
\begin{figure}[H]
|
||||
\centering
|
||||
\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_3.png}
|
||||
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||
\label{fig:heatmaps3d_3}
|
||||
\end{figure}
|
||||
|
||||
\begin{figure}[H]
|
||||
\centering
|
||||
\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_4.png}
|
||||
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||
\label{fig:heatmaps3d_4}
|
||||
\end{figure}
|
||||
|
||||
\begin{figure}[H]
|
||||
\centering
|
||||
\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_5.png}
|
||||
\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
|
||||
\label{fig:heatmaps3d_5}
|
||||
\end{figure}
|
||||
|
||||
\section{Regularizacija}
|
||||
V tem podpoglavju raziskujemo tehniko izpuščanja nevronov kot sredstvo regularizacije v nevronskih mrežah.
|
||||
|
@ -1659,9 +1666,9 @@ Spodaj so izpostavljene naše glavne ugotovitve in predlogi:
|
|||
Eden od predlogov je uporaba močnejše nevronske mreže za izluščenje značilnosti.
|
||||
Morda bi bile konvolucijske nevronske mreže novejše generacije ali nekatere druge arhitekture bolj primerne za ta namen.
|
||||
\item \textbf{Optimizacija združevanja značilnosti}:
|
||||
Med našo analizo smo opazili, da bi lahko del združevanja značilnosti optimizirali z uporabo metode pozornosti, kar bi omogočilo še boljše ujemanje med dronskimi in satelitskimi slikami.
|
||||
Med našo analizo smo opazili, da bi lahko del združevanja značilnosti optimizirali z uporabo metode pozornosti, kar bi omogočilo še boljše ujemanje med slikami zajetimi z brezpilotnim letalnikom in satelitskimi slikami.
|
||||
\item \textbf{Iskanje pripadajoče satelitske slike}:
|
||||
Ena od glavnih težav, s katerimi se metoda še vedno sooča, je identifikacija prave satelitske slike, ki ustreza dronski sliki.
|
||||
Ena od glavnih težav, s katerimi se metoda še vedno sooča, je identifikacija prave satelitske slike, ki ustreza sliki posnti z brezpilotnim letalnikom.
|
||||
To predstavlja izziv, še posebej v bazah z milijoni slik, in je eno od področij, ki zahteva nadaljnje raziskave.
|
||||
\item \textbf{Raziskava različnih kriterijskih funkcij}:
|
||||
V okviru naše analize smo preizkusili več kriterijskih funkcij, vključno s Hanningovo kriterijsko funkcijo, Gaussovo uteženo srednjo kvadratno napako, Hanningovo uteženo srednjo kvadratno napako ter križno uteženo srednjo kvadratno napako.
|
||||
|
|
Before Width: | Height: | Size: 519 KiB After Width: | Height: | Size: 196 KiB |
Before Width: | Height: | Size: 354 KiB After Width: | Height: | Size: 198 KiB |
After Width: | Height: | Size: 199 KiB |
After Width: | Height: | Size: 199 KiB |
After Width: | Height: | Size: 207 KiB |
After Width: | Height: | Size: 2.6 MiB |
After Width: | Height: | Size: 2.7 MiB |